Tesseract 版本规划

在这里我们可以规划 Tesseract 的下一个版本。

未来版本

以下是一些关于未来 Tesseract 版本的想法。

• 使用 C++11 现代化代码（参见讨论 这里 和 这里）。

• 使用 llvm 的工具：clang-format、clang-tidy、scan-build、sanitizers。

• 用 C++ 标准类型替换更多 Tesseract 数据类型（GenericVector 等），尤其是 API。

• 添加 json（或 xml）输出格式。它将用于完整的 OCR 和 psm 2 - 仅布局信息。

• 添加使用来自 leptonica 的备选二值化方法的选项。

• 添加一个选项来为多页输入输出单独的文件（out1.hocr、out2.hocr 等）。

• 在命令行中添加多线程选项（在这种模式下，openmp 将在运行时被禁用）。

• 探索使用 Protocol Buffers 或 FlatBuffers 用于训练数据的选项。

• 改进错误处理，不要忽略来自函数的返回值（参见 讨论）。

• 用具有日志级别的高级日志 API 替换 tprintf 等。

5.0.0

高级日志

要求（另见 讨论)

日志级别

• 跟踪
• 调试
• 信息
• 警告
• 错误
• 严重

相关问题

• https://github.com/tesseract-ocr/tesseract/issues/1338

有用链接

• 开源 C++ 日志库列表

4.0.0

参见 发行说明。

另见 问题 #1423 的讨论。

应该修复的未解决问题

• 带有“bug”标签的问题（参见 这里的列表)

• 带有整个页面作为 bbox 的噪声字符被识别 #1192

• 使用整数模型进行 LSTM 训练时出现分段错误 #1573

• 当 Tesseract 初始化代码检测到不受支持的区域设置时报告警告。（参见 评论)

• 无法创建输出文件时的错误信息不足 问题 1424

• 混合语言（fra+ara）项上的“no best words!!”（参见 问题 235)

• mgr_.Init(traineddata_path.c_str()):Error:Assert failed: #1075（参见 问题 1075)

此版本想要的功能

• 用于从 github 安装仅选定语言的脚本（参见 问题)

  https://github.com/zdenop/tessdata_downloader

待讨论

根据可用资源和意见，这些建议将被添加到下一个或未来版本的计划中，或者被放弃。

• 增强 -list-langs 以显示脚本和语言的附加信息，如 legacy / LSTM、版本
  

  这将使命令变慢，因为每个文件都必须打开和解析。将此添加为 -list-langs-details 或基于 lang-code 为一种语言文件添加为 -list-lang-details?

• -list-langs 还应显示它正在使用的目录

• 修复 autotools 构建，以便调试模式按预期使用 -O0

• 添加一个选项来可选地选择点积的实现（CPU、SSE、AVX 等）

• 训练数据的相对包含

  tessedit_load_sublangs 应搜索相对于父级的子语言，而不是从 tessdata 目录开始。

• 更多针对 Coverity Scan 报告的编译器警告和问题的修复

• 添加一个简单的 bash 脚本用于构建 tesseract

• 新的训练数据格式

  除了当前的专有格式，Tesseract 还可以支持 ZIP 档案（参见 讨论）。

  使用 libarchive 的一个可能的实现 可用，但需要更多测试。

• “训练之光” - 学会做（参见 问题)

• 修改 text2image 以使用 PrepareDistortedPix() #1052

• 计划日期

来自 3.0x 版本的功能回归

Tesseract 4.0 应该是 Tesseract 3.05 的完整替代品，并且在与旧 OCR 引擎 (--oem 0) 一起使用时具有相同的功能。以下回归仍然需要验证（它们确实是回归，还是只是 LSTM 缺少的功能）

• 用户词（参见 评论)

• 用户模式（参见 问题)

在 4.1.0 中修复

来自 3.0x 版本的 LSTM 缺少的功能

这些功能仍然可以使用旧的 OCR 引擎 (--oem 0) 工作，但在 LSTM 中缺失，并且需要。

• #### 黑名单 / 白名单（参见 问题）。这是一个 解决方法. 在 4.1.0 中修复.

• hOCR 字体信息（参见 评论)

未来版本

在这里，我们收集了 4.0.0 之后版本的重要问题和功能。

• 新的基于 LSTM 的 OSD 检测器（参见 评论）。

• 删除 Legacy Tesseract 引擎（参见 问题)

• 改进训练的多语言实现（参见 评论)

• ARM SIMD 对点积的支持 #519

• 使用 OpenMP 进行点积 #983

• 删除弃用的代码

  这不包括 OpenCL 或旧的 Tesseract 引擎。

• Tesseract 为缺失的输入创建输出（参见 问题 1023）。

  基本解决，但可以改进。

• 问题 1353：针对 /training/tessopt.cpp 的补丁（参见 拉取请求 13)

  看起来无法在同一个进程中运行多个训练。拉取请求描述了一个可能的修复，但不包括完整的实现（低优先级）。