OCR(Optical Character Recognition):光學(xué)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(fā)，后來貢獻給了開源軟件業(yè)，后經(jīng)由Google進行改進，消除bug，優(yōu)化，重新發(fā)布。當(dāng)前版本為3.01.

項目地址為：http://code.google.com/p/tesseract-ocr

Windows 命令行使用Tesseract-OCR引擎識別驗證碼:

1、下載安裝Tesseract-OCR引擎(3.0版本+才支持中文識別)

tesseract-ocr-setup-3.01-1.exe

下載完后進行安裝,默認情況下安裝程序會給你配置系統(tǒng)環(huán)境變量,以指向安裝目錄（之后可以通過DOS界面在任意目錄運行tesseract）。安裝完成后目錄如下:

附錄:

 tessdata 目錄存放的是語言字庫文件，和在命令行界面中可能用到的參數(shù)所對應(yīng)的文件.  這個安裝程序默認包含了英文字庫。

如果想能識別中文，可以到http://code.google.com/p/tesseract-ocr/downloads/list下載對應(yīng)的語言的字庫文件. 

簡體中文字庫文件下載地址為:http://tesseract-ocr./files/chi_sim.traineddata.gz 下載完成后解壓，然后將該文件剪切到tessdata目錄下去就可以了。

2、使用Tessract-OCR引擎識別驗證碼

打開DOS界面，輸入tesseract：

如果出現(xiàn)如上輸出，表示安裝正常。

結(jié)果為:

附錄:

Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]
pagesegmode values are:
0 = Orientation and script detection (OSD) only.
1 = Automatic page segmentation with OSD.
2 = Automatic page segmentation, but no OSD, or OCR
3 = Fully automatic page segmentation, but no OSD. (Default)
4 = Assume a single column of text of variable sizes.
5 = Assume a single uniform block of vertically aligned text.
6 = Assume a single uniform block of text.
7 = Treat the image as a single text line.
8 = Treat the image as a single word.
9 = Treat the image as a single word in a circle.
10 = Treat the image as a single character.
-l lang and/or -psm pagesegmode must occur before anyconfigfile.

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

tesseract    圖片名  輸出文件名 -l 字庫文件 -psd pagesegmode 配置文件

例如：

tesseract code.jpg result  -l chi_sim -psd 7 nobatch

-l chi_sim 表示用簡體中文字庫（需要下載中文字庫文件，解壓后，存放到tessdata目錄下去,字庫文件擴展名為  .raineddata 簡體中文字庫文件名為:  chi_sim.traineddata）

-psd 7 表示告訴tesseract code.jpg圖片是一行文本  這個參數(shù)可以減少識別錯誤率.  默認為 3

configfile 參數(shù)值為tessdata\configs 和  tessdata\tessconfigs 目錄下的文件名