一个基于TesseractOCREngine的Wrapper的设计与实现

1、论文发表专家一l一个基于Tesseract OCR Engine的Wrapper的设计与实现 摘 要tesseract ocr en gi ne是现如今准确率最高的开源字符图像识别引擎之一。本文侧重于利用 c+/cli 的语言特性，设计并 实现一个可供.net 平台应用程序使用的 tesseract wrapper 。关键词 tesseract ocr engine ； wrapper; 设计与实现中图分类号文献标识码 a文章编号 1674-6708（ 2011）56-0199-011 背景tesseract 是惠普公司于 1984 至 1994 十年间主持开发的字符图 像识别引擎，并在 19

2、95 年的 unlv 字符图像识别准确性年度测试中 取得前三名的佳绩。 但是在随后的十年里， tesseract 没有得到进 一步实质的发展，终于在 2005 年惠普公司决定将 tesseract 开源。 现在，其源代码可以在http:/code.google.cOm/p/tesseract-ocr/得至 最新版本为tesseract 3.0。tesseract 起初是 ray smith 在英国布里斯托尔大学惠普实验室 从事的博士论文课题。当时，市面上没有成熟的字符图像识别引擎， 只能处理高质量的扫描图像。惠普公司将美国科罗拉多州扫描仪部 门的相关项目合并到布里斯托尔实验室后，tessera

3、ct 在准确性上 已经明显领先商业引擎；之后，tesseract 的工作重心集中在效率 优化方面。整个项目在 1994年底结束，次年参加了 unlv 字符图像论文发表专家一l识别准确性年度测试。开源后，出现多种语言的wrapper 利用tesseract 字符图像识别引擎，包括 python、java、ruby 和 c 等。针对.net 平台，tessnet2 使用 c+/cli 对 tesseract 2.0 进行了 包装，而tessactdot net 使用 man aged C+对 tesseract 3.0 进行 了包装。2 结构man aged c+是微软公司为将传统 C+语言引入.

4、net 平台而对传 统c+所作的一种扩展，同时又保持了对 iso c+的高度兼容。这 两方面的顾虑使 managed C+的语言设计者畏首畏尾，引用 stan lippman 的话，“他们对于 bjarne stroustrup 或者说 iso c+ 的虔 诚在无意中伤害了很多人。” c+/cli 简化了 man aged c+复杂的语 法和语义，大大提高了 c+程序员的开发体验，这就为由传统 c+ 开发的 tesseract 架起了一座通往.net 平台的桥梁。图 1 总体结构tesseract 由 2.0 提高到 3.0 后，api 变化较大；因此，无法将 tessnet2的字符图像识别引

5、擎简单升级至 tesseract 3.0 版本。 为 了利用 tesseract最新的特性且便于开发和维护，使用c+/cli 设计并实现一个基于 tesseract 3.0 的 wrapper 成为一种很好的组合 方式。3 设计“针对接口编程，而不是针对实现编程”与“优先使用对象组合, 而不是类继承”是面向对象设计的两大基本原则。委托是一种组合 方式，它使组合具有与继承同样的复用能力。论文发表专家一lwrapper 针对 tesseract 3.0 提供的 api 编程，将外部的 ocr 请 求委托给内部的 tesseract ocr engine对象处理，并把处理结果转化成请求者要求的格式。

6、4 实现首先，声明一个托管 C+类 wrapper。除了构造函数和析构函数 外，提供 3 个公有方法：init() ，doocr() ，end()和一个私有成员： 指向 api类的指针。不是声明对象而是声明对象指针，是因为托管 c+只能通过指针引用非托管 c+的对象。因此，wrapper 的构造函 数和析构函数分别提供将 api 指针指向对象和销毁 api 指针指向的 对象的操作。其次， 在 init()方法中调用 api 类提供的 init()方法， 初始化 tesseract ocrengine 的 tessdata 禾口 Ianguage。在 end()方法中 调用 api 类提供的end()方法，释放 tesseract ocr engine 在字符 图像识别过程中占用的所有资源。最后，在 doocr()方法中先后依次调用 api 类提供的 setimage()、setrec