12個流行的開源免費OCR項目

作者：zone7 2023-10-11 12:25:35

隨著AI技術的發展，目前開源市場出現了許多非常優秀的OCR項目。下面介紹目前比較流行的開源OCR項目，這些項目能夠為您OCR技術選型或者OCR模型算法研究提供參考。

物理世界和數字世界的信息轉換是數字化發展的一個技術內容。而光學字符識別（Optical Character Recognition：簡稱OCR）正是其中之一。

OCR是指電子設備（例如掃描儀或數碼相機）檢查紙上打印的字符，通過檢測暗、亮的模式確定其形狀，然后用字符識別方法將形狀翻譯成計算機文字的過程。OCR常常被用于：證件識別、車牌識別、pdf文檔轉換為Word、拍照識別、截圖識別、網絡圖片識別、無人駕駛、無紙化辦公、稿件編輯校對、物流分揀、文檔檢索、字幕識別、文獻資料檢索等領域。特別是在業務流程自動化領域OCR是RPA的一個重要技術組成，起到重要作用。

1.Tesseract

https://github.com/tesseract-ocr/tesseract

Tesseract是一個非常經典的開源OCR引擎，最初由Hewlett-Packard開發，現在由Google維護。Tesseract以其準確性和多功能性而聞名，可以提取數據并將掃描的文檔、圖像和手寫文字轉換為機器理解的文本。Tesseract支持100多種語言，并兼容多種操作系統，并且提供了非常方便的命令行界面。

優勢：

準確性：Tesseract提供了非常高OCR準確性，特別是在打印文本和掃描文檔方面。
語言支持：Tesseract支持廣泛的語言，允許識別多種語言的文本，包括一些特殊語種，使其成為多語言應用的理想選擇。
持續改進：Tesseract的開源社區非常活躍，能夠及時地更新升級項目、修復Bug、完善用戶反饋的性能需求等。

缺點：

復雜布局文檔識別：Tesseract在簡單布局的文檔上表現非常好，但在布局比較復雜的文檔上就需要額外的預處理或后續處理步驟。
手寫識別準確度：Tesseract在識別機器打印文本方面表現出色，但在手寫文本上的表現并不盡如人意，有時還不如一些專用手寫識別工具準確。

2.Tesseract.js

https://tesseract.projectnaptha.com/

Tesseract.js是一個基于TesseractOCR的Web瀏覽器OCR軟件。你可以在瀏覽器中使用它，并且非常易用。與Tesseract OCR一樣，它也支持多種語言，包括中文。

3.OCRopus

https://github.com/ocropus

OCRopus是由Google開發的OCR相關工具集合，它擴展了Tesseract OCR引擎的功能。它提供了布局分析、文本識別和樣本數據生成的高級功能。

另外，OCRopus可以從命令行通過指定輸入的圖像來執行它。它會將識別的文本直接輸出到標準輸出，或者將其作為hOCR（基于HTML）代碼寫入文件，然后可以將其轉換為可搜索的PDF。如果需要更精確的控制，可以在命令行上指定選項來執行特定操作。

優勢：

布局分析：OCRopus在布局分析方面非常精確，使其成為具有復雜布局或多列結構文檔識別的理想選擇。
文本識別準確性：OCRopus通過利用Tesseract的精確OCR引擎和其他組件，能夠提高識別的準確性。
可定制性：OCRopus能夠生成用于訓練的樣本數據，用于訓練自定義的OCR模型，從而在專業應用中實現更高可定制性和準確性。

缺點：

學習曲線：與獨立的OCR引擎相比，OCRopus由于其工具和組件的范圍比較廣，因此具有更陡峭的學習曲線。
資源密集型：OCRopus的高級功能可能需要更多的計算資源，這個可能需要較高的成本，并且也需要考慮項目對處理時間的要求。

4.GOCR

https://jocr.sourceforge.net/

GOCR是在GNU通用公共許可證下開發的開源OCR引擎。它能夠識別各種圖像文件格式中的文本內容，并支持多種語言和操作平臺。

雖然它的準確性可能無法超過其他OCR引擎，但GOCR的優勢是非常簡單易用。

優勢：

簡單性：GOCR的主要優勢在于它的簡單性。該軟件提供了一個簡單易用的界面，適合那些喜歡簡單OCR解決方案而不需要大量配置或復雜設置的用戶。
多語言支持：GOCR支持多種語言，允許用戶從包含不同語言內容的圖像中提取文本。

缺點

準確性：雖然GOCR提供了基本的OCR功能，但其準確性可能無法與其他更高級的OCR引擎相媲美。
高級功能：GOCR專注于簡單的OCR任務，可能缺乏布局分析或專業識別算法等高級功能。因此，如果您需要高級功能，這個工具并不是很適合。

4. CuneiForm

CuneiForm是一個開源的OCR，專門用于將掃描的文檔和圖像轉換為可編輯的文本。它的主要目標是提供準確的OCR結果，同時具有比較靈活的輸入源和輸出格式。CuneiForm還支持多種語言，并兼容各種操作系統。

優勢：

準確性：CuneiForm以其從掃描圖像中識別文本的準確性而聞名，即使對于復雜的文檔的識別也非常可靠。
語言支持：CuneiForm支持多種語言，使用戶能夠從不同語言環境中的文檔中提取文本。
輸入和輸出靈活性：CuneiForm接受各種格式的掃描圖像，包括TIFF和JPEG。此外，還可以以TXT、HTML和PDF等格式輸出識別的文本，為進一步處理提供了靈活性。

缺點：

使用者界面：CuneiForm的用戶界面可能不像其他一些OCR工具那樣直觀或用戶友好。因此，您可能需要熟悉OCR軟件或文檔，才能有效地使用其功能。
定制化：雖然CuneiForm為一般OCR任務提供了準確的結果，但在可定制化或專業OCR要求方面存在局限性。

5.Ocrad

https://www.gnu.org/software/ocrad/

Ocrad以其簡單性和識別速度而聞名，它提供了一個輕量級的OCR解決方案，主要以識別印刷文本而聞名。它旨在提供一個簡單高效的OCR解決方案，側重文本識別提取的速度和易用性。

優勢：

易用性和識別效率：Ocrad簡單的設計和輕量級的特性有助于其易用性和識別效率。特別適合用于快速和簡單的OCR解決方案需求。
打印文本識別：Ocrad擅長從掃描圖像中識別打印文本，可以從清晰且格式良好的打印文檔中識別提取出可靠的結果。

缺點：

缺乏高級功能：Ocrad的側重點在于基礎的OCR任務，它可能缺乏高級功能，例如布局分析或手寫識別等。
復雜文本和低質量圖像的準確性：在處理復雜的文本結構或低質量的掃描圖像時，Ocrad的準確性可能會降低。

6.Ocrad.js

http://antimatter15.com/ocrad.js/demo.html

Ocrad.js是一個基于Ocrad的瀏覽器的OCR軟件。在JavaScript中使用它。支持的圖像格式包括JPEG、PNG、GIF、BMP、SVG、NetBPM等。

它非常簡單易用，只需要通過調用OCRAD的函數即可實現對img標簽的識別。雖然在識別精度方面比Tesseract.js遜色，但Ocard的優勢是它的模型文件比Tesseract小30倍以上。

7.GImage Reader

https://github.com/manisandro/gImageReader

GImage Reader工具它能夠識別多種語言以及各種圖像文件格式的文本，使其適合從掃描的文檔、屏幕截圖或者照片中提取文本；并且它提供了一個簡單直觀的用戶界面，允許您快速加載圖像并獲得文本結果。

優勢：

友好的用戶界面：GImage Reader的界面非常直觀易用，用戶可以輕松訪問，能夠輕松加載圖像并獲取結果。
多語言支持：GImage Reader支持多種語言，允許您從包含不同語言內容的圖像中提取文本。

缺點：

缺乏高級功能：GImage Reader主要專注于比較基本的OCR任務，如果需要更加專業的內容識別，它就不適合了。
準確度和性能：雖然GImage Reader可用于基本的OCR任務，但其準確性和性能可能會受到圖像質量和文本復雜性的影響。

8.Capture2Text

https://capture2text.sourceforge.net/

Capture2Text是一個基于命令行的Windows OCR軟件。它支持多種語言，包括日語。它不僅能識別水平的字符，還能識別垂直的字符。可以在你需要的時候使用windows命令行調用OCR命令，識別出的文本將被保存進剪貼板。

9.NDLOCR

https://github.com/ndl-lab

NDLOCR日本國立國會圖書館開源的ocr項目，比較適合古籍中一些復雜排版的ocr識別。比較適合日本語言的識別。

另外，它也支持在識別的文本中備注漢字讀音、刪除非字符，以及在廣告區域讀取字符的功能。還采取了一些有趣的舉措，例如：根據年齡提高識別準確性。

項目只適合研究學習，至于實際的漢字識別用場景難以使用。

10.OCRmyPDF

https://github.com/ocrmypdf/OCRmyPDF

OCRmyPDF是一個專門用于PDF的OCR識別軟件，它能夠將識別到的文本信息作為透明的文本添加到PDF中。因此，您可以在PDF中搜索文本。

如果您將其用于沒有文本信息的PDF，則可以進行搜索，從而增加了方便性。由于它基于Tesseract OCR引擎進行文本識別，因此也支持中文。

11.EasyOCR

https://github.com/JaidedAI/EasyOCR

EasyOCR基于機器學習（CRNN）實現OCR功能。它能夠識別超過80種語言的文字，包括簡體中文和繁體中文。它是使用python開發的，因此使用Python調用也非常簡單。例如：

識別包含中文的圖片：

import easyocr
reader = easyocr.Reader(['ch_sim','en']) # this needs to run only once to load the model into memory

reader.readtext('chinese.jpg', detail = 0)

識別結果為：

['愚園路', '西', '東', '315', '309', 'Yuyuan Rd.', 'W', 'E']

更多的例子可以通過以下這個網址進行測試：https://www.jaided.ai/easyocr/

12.kraken

https://github.com/mittagessen/kraken

kraken是一個由Python開發的OCR軟件，主要用于非拉丁字符的識別。它支持從右到左書寫的語言，例如阿拉伯語，也支持從上到下書寫的語言，例如日語。可以從命令行運行OCR識別PDF、JPEG和TIFF等格式的文件。

它的特點包括：

支持自定義訓練的布局分析和字符識別
支持從右到左, 自上而下的識別
提供ALTO、PageXML、abbyyXML和hOCR 格式輸出
能夠識別單詞邊界框，支持字符剪切
多腳本識別支持
模型文件的公共存儲庫
動圖識別網絡架構

更多的介紹可以參考網站：https://kraken.re/main/index.html

總之

以上介紹的這些OCR軟件可以為項目的OCR技術選型或者OCR研發提供一個參考。另外，在一些垂直領域業務應用的時候也可以結合自身業務需求自主訓練識別模型來提高應用效果。隨著AI技術的發展，OCR識別準確性也將不斷提高。

責任編輯：趙寧寧來源： andflow

AI 開源