OCR汉字识别的测试

最近一直在做信息提取，其中碰到图片中文字提取的模块，这里面还真的水也很深。当然文字的定位提取是关键一步，但是更重要的还是后面直接输出文字模块。

目前开源的tesseract，虽然已经取得了比较大的进步，但是经过今天测试，发现还需要有更大的提取。以目前的tesseract3.04版本，其测试结果如下：

不过，简单了看了下这个开源架构，总体上可读性很强，也有很多封装接口。如针对C#和JAVA都可以调用，还是比较方便的。从其训练集来看，也支持非常多的语言，只是目前精度上还是需要再提高提高啦。