从图像到文本：用C++和Tesseract OCR实现高效文字识别（含多语言支持教程）

最近在整理一些多语言的PDF文档，手动录入简直是一场噩梦。恰好手头有个C++项目需要集成文档识别功能，于是重新捡起了Tesseract OCR。说实话，现在的Tesseract比我几年前用的时候强太多了，尤其是在多语言混合识别方面，简直是开发者的福音。如果你也在处理国际化项目，或者需要从扫描件、截图里提取不同语言的文字，这篇文章或许能帮你少走不少弯路。

1. 环境搭建与Tesseract深度配置

在开始写代码之前，一个稳定且功能完备的开发环境至关重要。很多人卡在第一步，要么是库没装对，要么是环境变量没配好，导致编译时各种“找不到头文件”或“未定义的引用”。

1.1 跨平台安装策略

Tesseract的安装方式因操作系统而异，但核心思路是获取引擎本身和对应的语言数据包。

在Ubuntu/Debian系Linux上，安装相对直接。但除了基础包，我强烈建议安装开发包和训练工具，后者对后续的优化和调试很有帮助。

# 更新包列表并安装Tesseract OCR引擎
sudo apt update
sudo apt install tesseract-ocr -y

# 安装开发所需的头文件和链接库
sudo apt install libtesseract-dev -y

# 安装图像处理库Leptonica的开发包
sudo apt install libleptonica-dev -y

# （可选但推荐）安装训练工具，用于后续的模型微调
sudo apt install tesseract-ocr-eng tesseract-ocr-chi-sim tesseract-ocr-all

最后一条命令安装了英语和简体中文的语言包，tesseract-ocr-all则会安装仓库中所有可用的语言包，如果你的磁盘空间充足，这是一个省事的选择。

在macOS上，使用Homebrew是最佳路径，它能帮你处理好依赖关系。

# 使用Homebrew安装Tesseract及其语言包
brew install tesseract
brew install tesseract-lang

在Windows上，过程稍显繁琐，但按步骤来也很清晰。我推荐使用官方提供的安装程序。

  1. 前往Tesseract在GitHub的发布页面，下载最新稳定版的.exe安装程序（例如 tesseract-ocr-w64-setup-5.3.3.20231005.exe）。
  2. 运行安装程序。关键一步：在安装向导中，务必勾选“Additional language data”并选择你需要的语言（如中文、日语、韩语等）。这会省去后续单独下载语言包的麻烦。
  3. 安装完成后，需要将Tesseract添加到系统PATH。通常它的路径是 C:\Program Files\Tesseract-OCR。你需要将 C:\Program Files\Tesseract-OCR 和 C:\Program Files\Tesseract-OCR\tessdata 添加到你的系统环境变量PATH中。
  4. 验证安装：打开命令提示符，输入 tesseract --version，如果显示版本信息，则安装成功。

1.2 C++项目构建系统集成

现代C++项目很少直接用裸的g++命令链来编译，使用CMake能更好地管理依赖。下面是一个最精简的CMakeLists.txt示例，展示了如何定位Tesseract和Leptonica库。

cmake_minimum_required(VERSION 3.10)
project(OCR_Demo)

set(CMAKE_CXX_STANDARD 11)

# 查找必需的包
find_package(PkgConfig REQUIRED)
pkg_check_modules(TESSERACT REQUIRED tesseract)
pkg_check_modules(LEPTONICA REQUIRED lept)

# 包含头文件目录
include_directories(${TESSERACT_INCLUDE_DIRS} ${LEPTONICA_INCLUDE_DIRS})

# 添加可执行文件
add_executable(ocr_demo main.cpp)

# 链接库
target_link_libraries(ocr_demo ${TESSERACT_LIBRARIES} ${LEPTONICA_LIBRARIES})

这个配置能自动适应不同平台和安装路径。如果你的Tesseract安装在了非标准位置，可以通过设置 CMAKE_PREFIX_PATH 来引导CMake查找。

2. 核心识别流程与代码实战

环境就绪后，我们来解剖一个完整的、具备错误处理和资源管理的C++ OCR程序。直接复制粘贴网上的示例代码常常会忽略内存泄漏和异常情况，这里我们构建一个更健壮的版本。

2.1 一个工业级的C++ OCR类封装

将OCR功能封装成一个类，有利于代码复用和管理Tesseract API的生命周期。

// ocr_engine.h
#ifndef OCR_ENGINE_H
#define OCR_ENGINE_H

#include <string>
#include <memory>
#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>

class OCREngine {
public:
    // 构造函数，指定语言模型路径和语言代码
    explicit OCREngine(const std::string& data_path = "", const std::string& lang = "eng");
    ~OCREngine();

    // 禁止拷贝
    OCREngine(const OCREngine&) = delete;
    OCREngine& operator=(const OCREngine&) = delete;

    // 移动语义支持
    OCREngine(OCREngine&&) noexcept;
    OCREngine& operator=(OCREngine&&) noexcept;

    // 核心识别接口
    std::string recognizeFromFile(const std::string& image_path);
    std::string recognizeFromPix(Pix* image);

    // 设置引擎参数（如识别模式、页面分割模式）
    bool setVariable(const std::string& var_name, const std::string& value);

private:
    std::unique_ptr<tesseract::TessBaseAPI> tess_api_;
    bool initialized_ = false;
};

#endif // OCR_ENGINE_H

头文件定义了清晰的接口，并使用unique_ptr来管理Tesseract API指针，遵循RAII原则。

// ocr_engine.cpp
#include "ocr_engine.h"
#include <stdexcept>
#include <iostream>

OCREngine::OCREngine(const std::string& data_path, const std::string& lang) {
    tess_api_ = std::make_unique<tesseract::TessBaseAPI>();
    
    // 初始化Tesseract
    // data_path为空时，Tesseract会使用默认路径或环境变量TESSDATA_PREFIX
    if (tess_api_->Init(data_path.empty() ? nullptr : data_path.c_str(), 
                        lang.c_str())) {
        throw std::runtime_error("无法初始化Tesseract OCR引擎。请检查语言数据包路径: " + data_path);
    }
    initialized_ = true;
    std::cout << "OCR引擎初始化成功，语言模式: " << lang << std::endl;
}

OCREngine::~OCREngine() {
    if (tess_api_ && initialized_) {
        tess_api_->End();
    }
}

std::string OCREngine::recognizeFromFile(const std::string& image_path) {
    if (!initialized_) throw std::runtime_error("引擎未初始化");
    
    Pix* image = pixRead(image_path.c_str());
    if (!image) {
        throw std::runtime_error("无法加载图像文件: " + image_path);
    }
    
    // 使用RAII包装Pix图像，确保异常安全
    struct PixDeleter { void operator()(Pix* p) const { pixDestroy(&p); } };
    std::unique_ptr<Pix, PixDeleter> image_guard(image);
    
    return recognizeFromPix(image);
}

std::string OCREngine::recognizeFromPix(Pix* image) {
    tess_api_->SetImage(image);
    
    // 可选：在此处获取文本框、置信度等更详细的结果
    // tesseract::ResultIterator* ri = tess_api_->GetIterator();
    
    char* utf8_text = tess_api_->GetUTF8Text();
    if (!utf8_text) {
        return ""; // 或抛出异常
    }
    
    std::string result(utf8_text);
    delete[] utf8_text; // Tesseract要求我们释放该内存
    return result;
}

bool OCREngine::setVariable(const std::string& var_name, const std::string& value) {
    return tess_api_->SetVariable(var_name.c_str(), value.c_str());
}

// 移动构造和移动赋值的实现略（遵循Rule of Five）

这个实现的核心优势在于异常安全和资源自动管理。无论识别过程中发生什么，Pix图像和tess_api_都会被正确清理。

2.2 主程序调用与基础图像预处理

在主函数中，我们可以优雅地使用这个封装类。同时，即使是简单的灰度化操作，有时也能显著提升识别率。

// main.cpp
#include "ocr_engine.h"
#include <iostream>
#include <fstream>

// 一个简单的、不依赖OpenCV的灰度化函数示例（仅适用于特定格式）
// 实际项目中，建议使用Leptonica或OpenCV进行更专业的预处理
Pix* simple_binarize(Pix* src) {
    // 此处仅为示例，实际应调用Leptonica函数，如：
    // Pix* gray = pixConvertRGBToGray(src, 0.0, 0.0, 0.0);
    // Pix* binary = pixThresholdToBinary(gray, 128);
    // pixDestroy(&gray);
    // return binary;
    return pixClone(src); // 示例中直接返回原图副本
}

int main(int argc, char* argv[]) {
    if (argc < 2) {
        std::cerr << "用法: " << argv[0] << " <图片路径> [语言代码]" << std::endl;
        std::cerr << "示例: " << argv[0] << " document.png eng+chi_sim" << std::endl;
        return 1;
    }
    
    std::string image_path = argv[1];
    std::string lang = (argc > 2) ? argv[2] : "eng"; // 默认英语
    
    try {
        // 初始化OCR引擎，使用系统默认的语言包路径
        OCREngine ocr("", lang);
        
        // （可选）设置引擎参数以优化识别
        ocr.setVariable("tessedit_char_whitelist", "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz"); // 只识别字母数字
        ocr.setVariable("preserve_interword_spaces", "1"); // 保留单词间空格
        
        // 加载并预处理图像
        Pix* original_image = pixRead(image_path.c_str());
        if (!original_image) {
            throw std::runtime_error("读取图像失败");
        }
        
        // 应用预处理（例如转为灰度并二值化）
        Pix* processed_image = simple_binarize(original_image);
        pixDestroy(&original_image); // 销毁原图
        
        // 进行识别
        std::string recognized_text = ocr.recognizeFromPix(processed_image);
        pixDestroy(&processed_image); // 销毁处理后的图像
        
        // 输出结果
        std::cout << "识别结果:\n" << std::string(50, '-') << std::endl;
        std::cout << recognized_text << std::endl;
        std::cout << std::string(50, '-') << std::endl;
        
        // 可选：将结果保存到文件
        std::ofstream out_file("recognized_text.txt");
        if (out_file) {
            out_file << recognized_text;
            std::cout << "结果已保存至 recognized_text.txt" << std::endl;
        }
        
    } catch (const std::exception& e) {
        std::cerr << "错误: " << e.what() << std::endl;
        return -1;
    }
    
    return 0;
}

提示：tessedit_char_whitelist 是一个强大的参数，当你明确知道图像中只包含特定字符集（如身份证号、发票号码）时，设置它可以极大提高识别准确率和速度。

3. 多语言与混合语言识别实战

这是Tesseract最强大的特性之一。处理国际化文档时，一页中可能同时存在英文、中文和数字。

3.1 语言包管理与组合使用

首先，确保你下载了所需语言的训练数据文件（.traineddata）。它们通常位于Tesseract安装目录的 tessdata 子文件夹下（如 /usr/share/tesseract-ocr/5/tessdata/ 或 C:\Program Files\Tesseract-OCR\tessdata）。

语言通过加号（+）连接来指定。Tesseract会按照顺序尝试使用各个语言模型进行识别，这对于混合语言场景非常有效。

// 识别中英文混合文本
OCREngine ocr_multi("", "chi_sim+eng"); // 简体中文优先，其次是英文

// 识别日文和英文
OCREngine ocr_jp_en("", "jpn+eng");

// 如果你需要同时支持简体中文、繁体中文和英文
OCREngine ocr_zh_all("", "chi_sim+chi_tra+eng");

关键在于语言包的顺序。引擎会优先使用排在前面的语言模型进行识别。对于中英混合文档，chi_sim+eng 通常比 eng+chi_sim 效果更好，因为中文模型能更好地处理汉字，而英文单词也能被识别出来。

3.2 处理复杂排版与垂直文本

对于东亚语言，有时会遇到垂直排版。Tesseract允许你设置页面分割模式（Page Segmentation Mode, PSM）来应对。

PSM 值枚举名含义与适用场景
3PSM_AUTO全自动页面分割，但不进行方向检测（默认）。
6PSM_SINGLE_BLOCK将图像视为一个统一的文本块。适用于扫描的单栏文档。
7PSM_SINGLE_LINE将图像视为单行文本。对于UI截图、车牌等非常有效。
8PSM_SINGLE_WORD将图像视为单个单词。用于识别孤立的单词或验证码。
11PSM_SPARSE_TEXT寻找尽可能多的文本，顺序不限。适合不规则排列的文本。
13PSM_RAW_LINE将图像视为单行文本，绕过Tesseract的分段器。当分段器失效时使用。

在代码中，你可以通过SetVariable来设置PSM：

ocr_engine.setVariable("tessedit_pageseg_mode", "7"); // 设置为单行识别模式

对于日文或中文古籍中的垂直文本，可以尝试结合PSM和方向检测。Tesseract 4.x+的LSTM引擎对方向的支持有所改进，但对于极端情况，可能需要在识别前用图像处理库（如OpenCV）对图像进行旋转。

4. 高级优化与性能调校

当基础识别跑通后，下一步就是追求更高的准确率和更快的速度。这涉及到图像预处理、引擎参数调优，甚至是自定义模型训练。

4.1 基于OpenCV的预处理流水线

虽然Leptonica功能强大，但OpenCV在图像预处理方面提供了更直观、更丰富的API。下面是一个典型的预处理流程，可以显著提升低质量扫描件的识别率。

#include <opencv2/opencv.hpp>

cv::Mat preprocess_for_ocr(const cv::Mat& input) {
    cv::Mat processed;
    
    // 1. 转为灰度图
    cv::cvtColor(input, processed, cv::COLOR_BGR2GRAY);
    
    // 2. 应用高斯模糊去噪（内核大小需根据图像分辨率调整）
    cv::GaussianBlur(processed, processed, cv::Size(3, 3), 0);
    
    // 3. 自适应阈值二值化，比全局阈值更能应对光照不均
    cv::adaptiveThreshold(processed, processed, 255, 
                          cv::ADAPTIVE_THRESH_GAUSSIAN_C, 
                          cv::THRESH_BINARY, 11, 2);
    
    // 4. 形态学操作：去除小噪点（开运算）
    cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(2, 2));
    cv::morphologyEx(processed, processed, cv::MORPH_OPEN, kernel);
    
    // 5. （可选）锐化边缘，使文字更清晰
    cv::Mat sharpening_kernel = (cv::Mat_<float>(3,3) << 
                                 -1, -1, -1,
                                 -1,  9, -1,
                                 -1, -1, -1);
    cv::filter2D(processed, processed, processed.depth(), sharpening_kernel);
    
    return processed;
}

// 将OpenCV的Mat转换为Leptonica的Pix
Pix* cvMatToPix(const cv::Mat& mat) {
    // 注意：此函数需要处理颜色通道和深度，此处为简化示例
    // 实际应用中应完整处理BGR、灰度、二值等不同格式
    return pixCreate(mat.cols, mat.rows, 8); // 假设是8位灰度图
    // ... 复制数据 ...
}

这个流水线不是固定的，你需要根据你的图像源（手机拍摄、平板扫描、老旧打印件）来调整甚至跳过某些步骤。例如，对于已经非常清晰的截图，过度锐化反而可能引入噪声。

4.2 关键引擎参数详解

Tesseract提供了数十个内部变量供调整。除了前面提到的PSM和白名单，以下几个对精度影响很大：

  • user_defined_dpi: 设置图像DPI。如果图像本身不包含DPI信息，Tesseract会使用一个默认值（通常是70或300），这会影响字符大小的判断。对于扫描件，明确设置DPI（如300）通常有益。

    ocr.setVariable("user_defined_dpi", "300");

  • textord_min_linesize: 文本行的最小高度（以像素为单位）。可以过滤掉图像中过小的、可能是噪声的“文字”。

  • tessedit_ocr_engine_mode (OEM): 选择识别引擎。Tesseract 4.0后默认使用基于LSTM的引擎（OEM 3），它在大多数情况下比传统的引擎（OEM 0）更准确，尤其是对非常规字体和混合语言。

    ocr.setVariable("tessedit_ocr_engine_mode", "3"); // 使用LSTM only引擎
    OEM 值模式描述
    0传统引擎旧版Tesseract引擎。
    1LSTM引擎神经网络LSTM引擎。
    2传统+LSTM两者结合。
    3默认系统选择最佳（通常是LSTM）。

  • load_system_dawg / load_freq_dawg: 设置为"F"可以禁用字典加载。当识别随机代码、车牌或特定术语（字典中不存在）时，禁用字典有时能获得更原始、更准确的结果。

    ocr.setVariable("load_system_dawg", "F");
ocr.setVariable("load_freq_dawg", "F");

4.3 性能监控与结果后处理

对于需要批量处理大量图像的应用，性能至关重要。你可以粗略地计时，并考虑将识别任务放入线程池。

#include <chrono>

auto start = std::chrono::high_resolution_clock::now();
std::string text = ocr.recognizeFromFile("large_document.png");
auto end = std::chrono::high_resolution_clock::now();

auto duration = std::chrono::duration_cast<std::chrono::milliseconds>(end - start);
std::cout << "识别耗时: " << duration.count() << " 毫秒" << std::endl;

识别出的文本常常包含多余的换行符、空格或识别错误的字符。简单的后处理能大幅改善可读性：

std::string post_process_ocr_text(const std::string& raw_text) {
    std::string result = raw_text;
    
    // 1. 合并因换行符错误分割的单词（简单的启发式方法）
    size_t pos = 0;
    while ((pos = result.find("-\n", pos)) != std::string::npos) {
        result.replace(pos, 2, ""); // 删除连字符和换行
    }
    
    // 2. 规范化换行符（Windows风格 CRLF -> LF）
    pos = 0;
    while ((pos = result.find("\r\n", pos)) != std::string::npos) {
        result.replace(pos, 2, "\n");
    }
    
    // 3. 去除首尾空白字符
    auto trim = [](std::string& s) {
        s.erase(s.begin(), std::find_if(s.begin(), s.end(), [](unsigned char ch) {
            return !std::isspace(ch);
        }));
        s.erase(std::find_if(s.rbegin(), s.rend(), [](unsigned char ch) {
            return !std::isspace(ch);
        }).base(), s.end());
    };
    trim(result);
    
    // 4. （针对特定场景）替换常见的OCR错误，如 '0' -> 'O', '1' -> 'I'
    // 这需要根据你的具体语料库建立映射表
    // replace_all(result, "|", "I"); 
    
    return result;
}

最后，别忘了Tesseract还能输出每个字符或单词的置信度。通过tess_api_->GetComponentImages和tess_api_->GetUTF8Text()结合迭代器（ResultIterator），你可以获取每个识别单元的边界框和置信度分数，这对于需要高可靠性的应用（如证件信息提取）是必不可少的功能。你可以设定一个阈值，只保留高置信度的结果，或者将低置信度的部分标记出来供人工复核。

# 文字识别
Logo
乐奇 Rokid 开放社区

更多推荐

cover

【应用方案】智能眼镜一站式解决方案：交互与感知技术赋能下一代穿戴体验

avatar 乐奇 Rokid 开放社区
cover

全球 AI / 科技简报｜2026 年 9 月 4 日

avatar 乐奇 Rokid 开放社区

朱老师教你玩转 AIUI 开源项目 — 上传到 GitHub 即刻参与开源协作

如果说 AIUI Sports Agents 适合用来学习“运动数据、设备验证和平台提审如何分工”，EverMind 则是另一个很适合新手观察的开源案例：它把长期记忆框架、命令行工具、Agent 插件和公开文档拆成清晰的模块，让读者能够沿着 README、Quick Start、架构说明和贡献指南逐层理解一个项目。检查与收束读第八章。填写项目问卷时，进入 Issues → New issue，选择

avatar 乐奇 Rokid 开放社区