Tesseract OCR

Tesseract هو محرك OCR (التعرف الضوئي على الحروف) مفتوح المصدر (رخصة Apache-2.0) تم تطويره في الأصل بواسطة Hewlett-Packard بين عامي 1985 و1994، ثم تم فتح مصدره في 2005 وتولت Google تطويره حتى 2017. الإصدار الرئيسي الحالي (v5) يعتمد على شبكات عصبية LSTM للتعرف على الأسطر، مع دعم للتعرف على أكثر من 100 لغة “out of the box” وunicode (UTF-8).

يدعم Tesseract تنسيقات صور متنوعة مثل PNG و JPEG و TIFF، ويُنتج مخرجات بصيغ متعددة تشمل plain text و hOCR و PDF و invisible-text-only PDF و TSV و ALTO و PAGE. يمكن تدريبه للتعرف على لغات إضافية. لا يتضمن البرنامج واجهة رسومية، بل يعمل كأداة سطر أوامر أو مكتبة برمجية (libtesseract).