截至今天，Tesseract可以检测100多种语言，甚至可以处理从右到左的文本，例如阿拉伯语或希伯来语！难怪Google会将其用于移动设备，视频和Gmail的图像垃圾邮件检测算法中的文本检测。从版本4开始，Google对该OCR引擎进行了重大改进。Tesseract 4．0添加了新的OCR引擎，该引擎使用基于LSTM（长期短期记忆，https：／／www．analyticsvidhya．com／blog／2017／12／fundamentals－of－deep－learning－introduction－to－lstm／）  的神经网络系统，这是解决序列预测问题的最有效解决方案之一。尽管它以前使用模式匹配的OCR引擎仍可作为旧代码使用。将Tesseract下载（https：／／tesseract－ocr．github．io／tessdoc／Home．html） 到系统后，可以使用以下命令从命令行轻松运行它（https：／／tesseract－ocr．github．io／tessdoc／Command－Line－Usage．html）：tesseract ＜test＿image＞ ＜output＿file＿name＞ －l ＜language（s）＞ －－oem ＜mode＞ －－psm ＜mode＞

你可以更改Tesseract配置以获得最适合你的图像的结果：语言（－l） ： 使用Tesseract可以检测一种或多种语言OCR引擎模式（－oem）： 如你所知，Tesseract 4具有LSTM和Legacy OCR引擎。根据它们的组合，有4种有效的操作模式

页面分割（–psm） ： 可以根据图像中的文本进行调整以获得更好的结果

Pyteseract但是，除了命令行方法之外，你还可以使用Pytesseract（https：／／github．com／madmaze／pytesseract） ：Tesseract的Python包装器。使用此功能，你可以通过编写简单的Python脚本使用Tesseract OCR轻松实现自己的文本识别器。你可以使用pip install pytesseract命令下载Pytesseract  。Pytesseract的主要功能是image＿to＿text（），它将图像和命令行选项作为其参数：

Tesseract面临的挑战是什么？Tesseract并不完美，这不是什么秘密。当图像有很多噪声或者语言的字体是Tesseract OCR没有经过训练的字体时，它的性能很差。其他条件（如文本的亮度或倾斜度）也会影响Tesseract的性能。然而，它是文本识别的一个很好的起点，具有低努力和高产出的特点。文本检测的不同方法Tesseract假定输入文本图像是干净的。不幸的是，许多输入图像将包含过多的对象，而不仅仅是干净的预处理文本，因此，必须具有一个良好的文本检测系统，该系统可以检测随后可以轻松提取的文本。文本检测有几种方法：使用OpenCV的传统方式使用当代深度学习模型建立自己的自定义模型使用OpenCV进行文本检测使用OpenCV进行文本检测是经典的处理方式。你可以应用各种操作（https：／／www．analyticsvidhya．com／blog／2019／03／opencv－functions－computer－vision－python／） ，如图像调整大小，模糊，阈值化，形态学操作等，以清理图像。

在这里，我们有按灰度，模糊度和阈值顺序排列的图像。完成此操作后，可以使用OpenCV轮廓检测来检测轮廓以提取数据块：最后，你可以在预测文本的轮廓上应用文本识别：

上面图像中的结果是通过最少的预处理和轮廓检测以及随后使用Pytesseract进行文本识别实现的，显然，轮廓并不是每次都检测到文本。但是，使用OpenCV进行文本检测仍然是一项繁琐的任务，需要使用大量参数。同样，它在泛化方面的表现也不好，更好的方法是使用EAST文本检测模型。当代深度学习模型– EASTEAST是一种高效、准确的场景文本检测器，是一种从自然场景图像中检测文本的深度学习模型，它非常快速和准确，因为它能够以13．2fps的速度检测720p图像，f值为0．7820。该模型由一个完全卷积网络和一个非最大抑制阶段组成，用于预测单词或文本行。但是，该模型不包括其他先前模型所涉及的可以优化模型的中间步骤，例如候选建议，文本区域形成和单词划分。你可以看一下作者在论文中提供的以下图像，将EAST模型与其他先前模型进行了比较：