tesseract-ocr/tesseract

🔍 Tesseract OCR: Động cơ nhận dạng ký tự quang học hàng đầu thế giới

Từ ảnh PNG, JPEG, TIFF đến văn bản Unicode UTF-8 — Tesseract biến hình ảnh thành văn bản chỉ bằng một dòng lệnh.

Tesseract là một dự án OCR (Optical Character Recognition) mã nguồn mở do Stefan Weil phát triển, ban đầu do HP nghiên cứu từ năm 1985 và sau này được Google chuyển giao. Hiện là phiên bản ổn định 5.x, Tesseract hỗ trợ nhận dạng hơn 100 ngôn ngữ và cung cấp cả engine dựa trên LSTM (Tesseract 4+) lẫn engine nhận dạng ký tự cŏñg (legacy --oem 0). Dự án cung cấp thư viện libtesseract và công cụ dòng lệnh tesseract, hỗ trợ nhận dạng từ nhiều định dạng ảnh phổ biến và xuất kết quả ra nhiều dạng như văn bản thường, hOCR, PDF, TSV, ALTO và PAGE. Tesseract không đi kèm giao diện đồ họa, nhưng có thể dễ dàng tích hợp vào các ứng dụng khác thông qua API C/C++ hoặc các binding ngôn ngữ khác.

✨ Điểm nổi bật

• Hỗ trợ LSTM: Engine mới dựa trên mạng nơỡn học sâu, tập trung vào nhận dạng dòng chữ.
• Hỗ trợ legacy engine: Tương thích với Tesseract 3 bằng chế độ --oem 0.
• Đa ngôn ngữ: Nhận dạng hơn 100 ngôn ngữ "ngay lập tức" với tệp traineddata.
• Đa định dạng ảnh: Hỗ trợ PNG, JPEG, TIFF và nhiều định dạng khác.
• Đa dạng đầu ra: Xuất kết quả dưới dạng văn bản thường, hOCR, PDF, TSV, ALTO, PAGE.
• Unicode đầy đủ: Hỗ trợ mã hóa UTF-8 toàn diện.
• Tích hợp dễ dàng: Cung cấp API C/C++ và binding cho nhiều ngôn ngữ khác nhau.
• Có thể huấn luyện: Người dùng có thể thu thập và huấn luyện mô hình cho ngôn ngữ mới.

💡 Vì sao đáng chú ý

Khác với các giải pháp OCR thương mại kín, Tesseract là lựa chọn mở, ổn định và mạnh mẽ, được cộng đồng sử dụng rộng rãi trong học thuật và sản xuất. Với hơn 75.000 sao trên GitHub và được liên tục cập nhật bởi cộng đồng, Tesseract là nền tảng vững chắc cho bất kỳ dự án nào cần trích xuất văn bản từ hình ảnh.

#OCR #MachineLearning #ComputerVision #OpenSource #TesseractOCR #TiniX