OCR(Optical Character Recognition)：光學字符識別，是指對圖片文件中的文字進行分析識別，獲取的過程。
Tesseract：開源的OCR識別引擎，初期Tesseract引擎由HP實驗室研發，後來貢獻給了開源軟件業，後經由Google進行改進，消除bug，優化，重新發布。
項目地址：https://github.com/tesseract-ocr
該項目最新版本是3.04，本人試驗用的版本是3.02。
1 安裝並設置環境
運行tesseract-ocr-setup-3.02.02.exe程序安裝tesseract，如圖所示，圖中的jTessBoxEditor相關內容用於其他測試與本文無關。
安裝完成後爲了能在cmd命令行直接使用tesseract.exe，向path環境變量中增加tesseract安裝目錄，同時添加環境變量TESSDATA_PREFIX，其值是訓練數據tessdata所在的目錄，例如圖中爲：F:\Program Files (x86)\Tesseract-OCR，該目錄也可以由參數
--tessdata-dir指明，詳細見第2節參數介紹。
2 參數介紹
在命令行直接輸入tesseract回車後可看到它的幫助信息，如圖所示：
更詳細的參數說明請參考：https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.html，部分內容如下圖：
一般來說，可以使用如下的格式來使用tesseract：
tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]
tesseract 圖片名 輸出文件名 -l 字庫文件 -psm pagesegmode 配置文件
3 實例
如要識別如下圖片，可以直接使用簡單的命令：tesseract test.png result，即可將識別結果輸出到result.txt文件中
識別結果如下：
可以看出識別效果不是特別理想，所以識別前可對識別的圖像進行預處理，典型處理如：增加對比度、二值化等，如對上一幅圖進行預處理後如下圖所示：
生成識別結果時，可以使用hocr參數來讓tesseract生成html格式的結果文件，如：tesseract binary.png result hocr，識別結果如下：
對比可以看出預處理後的識別效果要明顯優於之前的識別效果，生成html格式的識別文件還有另外一個好處，即可以獲得識別字符在原圖片上面的座標信息，用文本編輯器打開上面的rusult.html文件，內容如圖：
從圖中紅色方框內可以看出識別出的字符串user在原圖片中的座標信息(306,884)左上角，(445,926)右下角。此外之前版本還支持識別信心值，但從3.02版本以後該特性被去掉了，相關內容請參考：http://blog.csdn.net/sosoben/article/details/13768895
4 結語
以上只是簡單介紹了tesseract的英文字符識別功能，其實它支持很多語言的識別，另外它還支持樣本訓練等，更深入的應用請查找其他文獻。