发行说明

此页面记录了最新的发行说明。

目录

• 开发中
• V5.5.0 2024 年 11 月 10 日
• V5.4.1 2024 年 6 月 11 日
• V5.4.0 2024 年 6 月 6 日
• V5.3.4 2024 年 1 月 18 日
• V5.3.3，2023 年 10 月 5 日
• V5.3.2，2023 年 7 月 11 日
• V5.3.1，2023 年 4 月 1 日
• V5.3.0，2022 年 12 月 22 日
• V5.2.0，2022 年 7 月 6 日
• V5.1.0，2022 年 3 月 1 日
• V5.0.1，2022 年 1 月 7 日
• V5.0.0，2021 年 11 月 30 日
• V4.1.3，2021 年 11 月 15 日
• V4.1.2，2021 年 11 月 14 日
• V4.1.1，2019 年 12 月 26 日
• V4.1.0，2019 年 7 月 7 日
• V4.0.0，2018 年 10 月 29 日
• V3.05.02，2018 年 6 月 19 日
• V3.05.01，2017 年 6 月 1 日
• V3.05.00，2017 年 2 月 16 日
• V3.04.01，2016 年 2 月 16 日
• V3.04.00，2015 年 7 月 11 日
• V3.03(rc1)，2014 年 2 月 4 日
• V3.02.02，2012 年 10 月 23 日
• V3.01，2011 年 10 月 21 日
• V3.00，2010 年 9 月 30 日
• V2.04，2009 年 6 月 30 日
• V2.03，2008 年 4 月 22 日
• V2.02，2008 年 4 月 21 日
• V2.01，2007 年 8 月 30 日
• V2.00，2007 年 7 月 18 日
• V1.04，2007 年 5 月 15 日
• V1.03，2007 年 2 月 3 日
• V1.02，2006 年 10 月 4 日
• V1.01，2006 年 9 月 7 日
• V1.00，2006 年 6 月 17 日

开发中

Tesseract 的 API/ABI 更改审查

• Tesseract 的二进制兼容性报告：4.1.3 与 5.0.0
• Tesseract 的二进制兼容性报告：3.05.02 与 4.0.0

V5.5.0

2024 年 11 月 10 日

https://github.com/tesseract-ocr/tesseract/releases/tag/5.5.0

V5.4.1

2024 年 6 月 11 日

https://github.com/tesseract-ocr/tesseract/releases/tag/5.4.1

V5.4.0

2024 年 6 月 6 日

https://github.com/tesseract-ocr/tesseract/releases/tag/5.4.0

V5.3.4

2024 年 1 月 18 日

https://github.com/tesseract-ocr/tesseract/releases/tag/5.3.4

V5.3.3

2023 年 10 月 5 日

https://github.com/tesseract-ocr/tesseract/releases/tag/5.3.3

V5.3.2

2023 年 7 月 11 日

https://github.com/tesseract-ocr/tesseract/releases/tag/5.3.2

V5.3.1

2023 年 4 月 1 日

通过在 PR #4022 中稍微调整格式来改进 DebugDump 输出。作者：@GerHobbelt。

错误修复

• 修复 FP 除以零 (问题 #3995)。作者：@stweil 在 PR #3996 中。
• 修复问题 #3997 和 #4010。启用一些在编译时禁用传统引擎时错误禁用的代码块。作者：@amitdo 在 PR #4041 中。
• 通过包含 <cstdint> 来修复使用 GCC 13 编译。作者：@kraj 在 PR #4009 中。

CMake 构建系统

• 修复 icu 和 pango 的链接。作者：@autoantwort 在 PR #4006 中。
• (MSVC 调试) 修复生成的 tesseract.pc 文件中错误的 lib 名称。作者：@autoantwort 在 PR #4008 中。
• 修复生成的 tesseract.pc 文件中的 libdir。作者：@ferdnyc 在 PR #4013 中。

编译器支持

我们不再支持 GCC 和 libstdc++ 8.x。

V5.3.0

2022 年 12 月 22 日

LSTM 训练：扩展函数 BoxFileName 以处理另一种图像名称扩展名 .raw.png。作者：@bertsky 在 PR #3962 中。

错误修复

• 修复传统 OCR 引擎的训练工具（问题 #3925）。作者：@stweil 在 PR 中：#3970，#3972，#3977。
• PDF 渲染器：忽略非文本块（修复问题 #3957）。作者：@amitdo 在 #3959 中。
• 在阈值处理之前移除颜色映射（修复问题 #3940）。作者：@zdenop。
• 修复 Coverity Scan 报告的几个性能问题。作者：@stweil 在 PR #3967 中。
• 训练工具：在 main 函数中用 return 语句替换 exit 函数的调用。作者：@stweil 在 PR #3878 中。
• 修复函数 vigorous_noise_removal 中的双重释放（问题 #3876）。作者：@stweil 在提交 ee34b100bf 中。
• 在 Textord::make_spline_rows 中根据需要创建 to_win（修复问题 #3875）。作者：@stweil 在提交 99d6717c10 中。
• 修复 ScrollView::MessageReceiver 中的内存问题（问题 #3869）。作者：@p12tic 在 PR #3872 中。
• 在 SVNetwork::SVNetwork 中捕获潜在的 nullptr。作者：@stweil 在提交 02e834000c 中。
• 对函数 ObjectCache::DeleteUnusedObjects 进行现代化改造（修复与 sanitizers 的问题）。作者：@stweil 在 PR #3978 中。

构建系统

• 将 svpaint.cpp 从 src/viewer 移动到 src/。在 Autotools 中添加 svpaint 可执行文件的规则。
• 修复 FreeBSD 上使用 Autotools 检测 AMD64。
• 修复从 CMake 生成的 tesseract.pc，使其与 Autotools 匹配。

V5.2.0

2022 年 7 月 6 日

• 添加对 Intel AVX512F 的初步支持。这提高了使用“最佳”模型进行识别以及训练的性能。
• C API：添加一个函数，使用来自内存的训练数据初始化 tesseract。
• 添加一个新的参数 invert_threshold。默认值为 0.7。在之前的 5.x 版本中，反转阈值为 0.5，用户无法更改该值。参数 tessedit_do_invert 已弃用，将在 6.0 版本中删除。要完全禁用文本行反转，可以将 invert_threshold 值设置为 0.0。
• 修复 UZN 文件的回归问题。
• 用函数调用替换对 Leptonica 内部数据结构的直接访问（这对于与下一个 Leptonica 版本兼容是必需的）。
• 用 std::string 函数替换 std::regex（问题 #3830）。
• 修复 32 位主机上非常大的 PDF 文件。
• 在使用某些版本的 32 位 MSVC 编译器编译时，为 AVX2 代码设置 /Os（问题 #3769）。
• 在 Windows 上也使用编译后的 TESSDATA_PREFIX。
• C API：修复使用 malloc 分配的内存调用 delete[]。
• 改进 CI 构建定义。
• 改进 Autotools 和 CMake 构建定义。

V5.1.0

2022 年 3 月 1 日

• 在 ALTO、hOCR 和文本输出格式中处理图像和行分隔符区域。
• 其他一些增强功能。
• 一小部分错误修复。
• 删除未使用的代码。
• 将最低要求的 CMake 版本提升到 3.10。

V5.0.1

2022 年 1 月 7 日

• 修复使用 GCC 11 编译的 msys2 构建问题。
• 在运行 URL 上的 OCR 时，支持多达 8 个重定向。
• 在 STATS::pile_count() 中捕获 nullptr。
• 删除 NetworkIO::ZeroTimeStepGeneral()。这允许更多内联代码（优化）。
• 更新查找表的生成器，使用 TFloat 而不是 double。
• 修复 functions.h 中的 clang 编译器警告。新代码避免了一些在 double 和 float 之间的转换，因此它对性能也应该有积极影响。
• 修复编译器警告 [-Wsign-compare]。
• 修复由空语句引起的编译器警告。
• 修复一些其他编译器警告。
• 删除未使用的代码。
• 在公共包含文件添加 SPDX-License-Identifier。

CMake 构建

• 正确检测 amd64、x86_64、i386 和 i686 目标。
• 如果 pkg-config 不存在，则不要尝试配置训练工具。
• 安装 tesseract 配置文件。

V5.0.0

2021 年 11 月 30 日

• 显著的性能改进
  • 支持 float（32 位）进行 LSTM 模型训练和文本识别。现在 float 是默认值，而不是 double（64 位）。这意味着更少的 RAM 消耗和更快的程序执行速度。
  • 仅当平均置信度低于 50% 时，才尝试在反转行上进行 OCR (#3141)。
  • SIMD
    • 为 Arm Neon 添加手动点积支持。
    • 还有许多其他改进。
• 通用增强功能
  • 添加两种新的基于 Leptonica 的二值化方法：自适应 Otsu 和 Sauvola。对于用户：使用 tesseract --print-parameters | grep thresholding_ 查看相关的可配置参数。
  • 禁用五线谱检测和移除，因为它会干扰表格检测功能。将 pageseg_apply_music_mask 的默认值更改为 false。
  • 添加一个新的命令行选项 --print-fonts-table。打印字体列表（id、名称）。仅适用于为传统 OCR 引擎提供数据的训练数据文件。
  • 添加一个新的参数 tessedit_font_id。它可以用来强制 Tesseract 从训练数据文件使用特定字体来识别图像中的文本。
  • 添加一个新的命令行选项 --loglevel。
  • 添加一个新的选项 -l，用于 combine_tessdata，以获取使用 LSTM 引擎训练的训练数据的网络规范。
  • lstmtraining 工具：将 --max_iterations 的负值解释为 epochs。
  • 从 NFKC 切换到 NFC 规范化（或如果请求分解模式，则从 NFKD 切换到 NFD）。
  • 文本输出：不要在单页图像中添加页面分隔符。
  • hOCR 输出：将 scan_res 属性写入 ocr_page。
  • 在之前的版本中，pdf.ttf 用于 PDF 渲染。在 5.0.0 中，这个文件不再需要。伪字体现在已嵌入代码中。
• 代码现代化
  • 从公共 API 中移除自定义数据类型 STRING、GenericVector 和 PointerVector。完全从代码库中移除的 STRING 类型被 std::string 替换。在代码库中，GenericVector 类型主要被 std::vector 替换。 PointerVector 部分被 std::vector 替换。
  • 使用 std::bitset<16> 而不是自定义 BITS16。
  • 用现代 C++ 代码替换 malloc 和 free。
  • 用 std::string 替换 strdup 和 free。
  • 用 std::to_string 替换一些 snprintf。
  • 用 C++ 类型转换替换 C 样式类型转换（修复 -Wold-style-cast 编译器警告）。删除不必要的类型转换。
  • 用 struct 替换 typedef struct。
  • 使用 std::swap 而不是自定义函数。
  • 在更多地方使用 unique_ptr / make_unique。
  • 使用 clang-tidy 对代码进行现代化改造。
  • 对代码库进行了许多其他更改，使其现代化。
• 训练脚本
  • 删除基于 Bash 的训练脚本。如果你仍然需要这些脚本，你可以在存储库 history 中找到它们。请不要打开新的问题询问这些过时不支持的脚本。
  • 将基于 Python 的训练脚本移动到 tesstrain 存储库。
• 构建系统
  • 重构 Autotools 构建。它现在使用非递归 (auto)make。
  • configure.ac：将最低要求的 autoconf 版本更新为 2.69。
  • 将最低要求的 Pango 版本提升到 1.38.0。
• libtesseract API
  • 此版本包含对公共 API 的重大更改。版本 5.0.0 与 4.x 不兼容。使用 libtesseract 的开发者需要调整他们的代码以适应这些更改。
  • 减少公共头文件的数量。这包括 genericvector.h 和 strng.h 头文件。
  • 从 API 中删除一些不必要的函数。
• 源代码布局重组、文件重命名
  • 所有公共头文件现在都放在 include/tesseract 目录中。
  • 将 tess_version.h.in 重命名为 version.h.in。
  • 将 platform.h 重命名为 export.h。
  • 将 src/api/tesseractmain.cpp 移动到 src/tesseract.cpp。
  • src/training 目录：将训练工具与库分离。
• 更新的要求
  • 要从源代码构建 Tesseract，需要具有良好 C++17 支持的编译器。

V4.1.3

2021 年 11 月 15 日

修复损坏的 autotools 构建。

V4.1.2

2021 年 11 月 14 日

• 将 RowAttributes() 从 LTRResultIterator 移动到 PageIterator。
• 将用于训练的图像最大允许宽度从 2560 更改为 4096。
• 添加 SVMutex 和 SVSemaphore 析构函数以避免系统对象泄漏。
• 不要输出空的 ALTO sourceImageInformation。
• 扩展 Tesseract 与 libcurl 的 URI 支持。
• 警告并停止使用整数模型完成的 LSTM 训练过程。

Autotools 构建中的更改

• 修复 MacOS 的 autoconf 构建。
• 修复由于重新定义 DEFAULT_INCLUDES 引起的 automake 警告。
• 不要在 autoconf 构建中使用编译器标志 -march=native -mtune=native。
• 默认情况下，使 automake 构建的噪音更小。

V4.1.1

2019 年 12 月 26 日

• 添加对通过 URL 获取图片或图片列表的支持。此功能使用 libcurl 实现。用法：tesseract http://IMAGE_URL OUTPUT ...
• 添加参数 document_title 用于在 OCR 输出文件 (hOCR、PDF、ALTO) 中设置标题。
• 添加参数 tessedit_do_invert，当设置为 false 时可以加速 tesseract 执行。
• 添加参数 pageseg_apply_music_mask 以允许禁用音乐遮罩。
• 在 ALTO 渲染器中添加 ComposedBlock 层级，使其更符合 hOCR 渲染器。
• 训练。扩展函数 BoxFileName 以处理更多图像名称：.bin.png 和 .nrm.png。在 PR #2686 中。
• 修复自 4.1.0 版本以来发现的更多区域设置处理问题。
• 修复 text2image 中的内存泄漏。
• 修复通过运行 UndefinedBehaviorSanitizer 发现的潜在错误。
• 修复 Coverity Scan 报告的许多问题。
• 代码清理和现代化。
• 代码优化。
• 许多错误修复。
• 添加使用 sw 构建系统和包管理器构建 tesseract 的选项。使用 cppan 构建已弃用。

V4.1.0

2019 年 7 月 7 日

• 与 4.0.0 向后兼容版本
• 添加一个选项，使用可配置变量 dotproduct 选择点积函数。可能的值：auto（默认）、generic、native、avx、sse。
• 添加一个新的输出选项，格式化为 ALTO 标准。命令行用法：tesseract imagename outputbase alto。此输出为实验性，在下次发布之前可能会进行一些更改。
• 添加新的渲染器 LSTMBox、WordStrBox 以简化训练。
• 在 hOCR 输出中添加字符框。
• 添加 Python 训练脚本（实验性）作为 shell 脚本的替代方案。
• 修复区域设置处理问题。libtesseract 现在可以使用任何区域设置。
• 更好地支持 AVX / AVX2 / SSE。
• 修复边界框问题。
• 在 LSTM 引擎中实现了对白名单/黑名单的支持。
• 使用户单词和用户模式文件适用于 LSTM 引擎。 #2328
• 代码现代化和改进。
• 大量错误修复。
• 改进 CMake 配置。
• 默认情况下禁用 OpenMP 支持。这在 CMake 构建中完成，但在 Autotools 构建中没有完成，OpenMP 在 Autotools 构建中仍然默认启用（例如，请参见 #1171、#1081）。

V4.0.0

2018 年 10 月 29 日

• 新的 OCR 引擎
  • 添加了一个新的 OCR 引擎，该引擎使用基于 LSTM 的神经网络系统，精度大幅提升。
  • 这包括用于 LSTM OCR 引擎的新训练工具。可以从头开始训练新模型，也可以通过微调现有模型来训练新模型。
  • 将包含 LSTM 模型的训练数据添加到 123 种语言 中。
  • 为 LSTM 识别器添加了可选的加速代码路径。
    • 使用 OpenMP
    • 使用 SIMD：AVX2 / AVX / SSE4.1
  • 添加了一个新参数 lstm_choice_mode，允许在 hOCR 输出中包含备选符号选项。
• 其他 OCR 引擎
  • 在先前版本中作为主要 OCR 引擎的模式匹配 OCR 引擎在本版本中仍然可用。
  • 从代码库中删除了 'Cube' OCR 引擎。它用于印地语和阿拉伯语。新的 LSTM 引擎性能要好得多，因此 Cube 引擎不再需要。
• 更新了构建系统
  • Tesseract 现在使用 语义版本控制。
  • 添加了一个选项，用于编译 Tesseract 而不使用旧版 OCR 引擎的代码。
• 更新的要求
  • 要从源代码构建 Tesseract，需要使用具有良好 C++11 支持的编译器。
  • Tesseract 现在需要 Leptonica 1.74.0 或更高版本。
  • 将所需的最低 autoconf 版本更新为 2.63。
  • 训练工具依赖项 - 将所需的最低版本更新为：ICU 52.1、Pango 1.22.0。
• 错误修复和增强功能
  • 修复了许多会导致编译器警告的问题。
  • 修复了 Coverity Scan 或 LGTM 报告的许多问题。
  • 修复了训练数据渲染问题。
  • 修复了处理 PDF 时对二进制图像的损坏。
  • 不要在发布代码中为致命错误触发故意的分段错误 (Commit 5338a5a8d)。
  • 修复了 OpenCL 代码中的一些问题。OpenCL 现在适用于旧版 Tesseract OCR 引擎，但不会提高性能。它没有为 LSTM OCR 引擎实现。
  • 改进了多页 TIFF 处理。
  • 改进了 PDF 渲染。
  • 将版本信息和改进的帮助文本添加到训练工具中。
  • 添加了更快的 log2() 版本。
  • 在 tesseract 手册页中记录了使用包含图像列表的输入文本文件的选项。
  • 使 'osd' 成为请求 psm 0 时默认的训练数据（目前此功能仅在命令行界面中实现，而不是在 API 中）。
  • 从 hocr、pdf 和 tsv 配置文件中删除了 tessedit_pageseg_mode 1。如果需要，用户应明确使用 --psm 1 (Commit ecfee53ba)。
  • 现在按字母顺序排列可用的语言和脚本列表。
  • 参数 unlv_tilde_crunching 更改为 false，因为 true 作为值会导致 Tesseract 4 中出现问题（#948、#1449）。
  • 添加参数：min_characters_to_try。
• 其他。
  • 重新组织了 Tesseract 的源代码树。现在大多数源代码都位于 src 目录下。
  • 将单元测试添加到主仓库。单元测试需要 Git 子模块和训练代码。
  • 删除了过时的代码。
• 重要提示
  • 新的 LSTM 引擎仍然不支持旧版引擎中的所有功能（请参见 缺少的功能）。
  • Tesseract 现在需要所谓的“C”区域设置。这在将 Tesseract 作为库从 Java 或 Python 等编程语言中使用时主要会有影响。区域设置代表几个取决于语言（或语言变体）或国家/地区的设置。其中一些设置决定了符号的分类（例如，“这个字符是空格字符吗？”）或数字打印的方式（例如，“3.141”或“3,141”）。当前的 Tesseract 代码隐式地期望一些固定的设置，否则它将失败。因此，如果代码无法确定设置是否有效，它将在开始时使用断言失败。这对于默认情况下获得具有正确设置的“C”区域设置的 C 或 C++ 程序来说不是问题。所有其他用例目前必须确保在运行 Tesseract 代码之前切换到“C”区域设置。 已修复 版本 4.1.0 中。

V3.05.02

2018 年 6 月 19 日

此版本修复了一些错误，从 4.0.0 版本移植回来。

V3.05.01

2017 年 6 月 1 日

• 添加了一个选项，用于仅渲染 PDF 输出中的不可见文本层（不包含完整的输入图像）。
• 对 GenericVector 进行了一些优化。
• 修复了 –disable-graphics 构建。
• 修复了 –enable-visibility 构建（包括训练工具）。
• 修复了使用 '​​\r\n'​​ 作为换行符读取配置文件的问题。
• OpenCL - 修复了一些问题。删除了大部分代码。
• 删除了无用代码。

V3.05.00

2017 年 2 月 16 日

• Tesseract 现在需要 Leptonica 1.74.0 或更高版本。
• 对 hOCR 输出进行了一些微调。
• 添加 TSV 作为另一种可选的输出格式。
• 修复了在 3.04.00 中使用 AnalyseLayout() 方法引入的 ABI 问题。
• text2image 工具 - 启用字体中可用的所有 OpenType 连字。此功能需要 Pango 1.38 或更高版本。
• 训练工具 - 将断言替换为 tprintf() 和 exit(1)。
• 修复了 Cygwin 兼容性问题。
• 改进了多页 TIFF 处理。
• 改进了嵌入式 PDF 字体 (pdf.ttf)。
• 启用从命令行选择 OCR 引擎模式。
• 将 tesseract 命令行参数 '​​-psm'​​ 更改为 '​​–psm'​​。
• 为方向和脚本检测添加了新的 C API，删除了旧的 API。
• 将最低 autoconf 版本提升至 2.59。
• 删除了无用代码。
• 修复了许多编译器警告。
• 修复了内存和资源泄漏。
• 修复了 '​​Cube'​​ OCR 引擎中的一些问题。
• 修复了 OpenCL 中的一些问题。
• 添加了使用 CMake 构建系统构建 Tesseract 的选项。
• 实现了 CPPAN 支持，便于 Windows 构建。

V3.04.01

2016 年 2 月 16 日

• 为 psm 0 添加了 OSD 渲染器。适用于单页和多页图像。
• 改进了 tesstrain.sh 脚本。
• 简化了 ScrollView 的构建和运行。
• 改进了 OS X Preview 实用程序的 PDF 输出。
• 对 hOCR 行高信息进行了不兼容修复 - 提交 134ebc3。
• 添加了在没有 Cube OCR 引擎的情况下构建 Tesseract 的选项 (-DNO_CUBE_BUILD)。
• 该项目使用 Travis CI 和 AppVeyor 持续集成服务。

V3.04.00

2015 年 7 月 11 日

• Tesseract 的开发现在使用 Git 完成，并托管在 github.com 上（以前我们使用 Subversion 作为 VCS，并将代码托管在 code.google.com 上）。
• Tesseract 现在需要 Leptonica 1.71 或更高版本。
• 删除了对 VS2008 的官方支持。
• 对训练系统进行了重大更新，这是对 100 种语言进行大量测试的结果。
• 超过 100 种语言 的新训练数据。添加了对 39 种额外脚本/语言的支持：amh、asm、aze_cyrl、bod、bos、ceb、cym、dzo、fas、gle、guj、hat、iku、jav、kat、kat_old、kaz、khm、kir、kur、lao、lat、mar、mya、nep、ori、pan、pus、san、sin、srp_latn、syr、tgk、tir、uig、urd、uzb、uzb_cyrl、yid。
• 添加了一个备用自适应分类器，当主分类器在大型文档上填满时接管。
• 使用 PIC 编译选项提高了性能。
• 对 PDF 输出中的不可见字体系统进行了重大更改，以提高正确性和与外部程序（特别是 ghostscript）的兼容性。
• 改进了字体识别。
• 对重度带音符号语言（泰语、越南语、卡纳达语、泰卢固语等）的版式分析进行了重大更改，以提高版式分析。
• 修复了基线偏移问题，因此识别可以从版式分析错误中恢复。
• 对代码进行了重大重构，以提高对困难图像的处理速度，尤其是在运行堆检查器时。
• 将参数从页面布局中的全局变量移动到 tesseractclass 中。
• 改进了单列版式分析。
• 允许使用 tesseract 命令行可执行文件将 OCR 输出到多种格式。
• 修复了混合 eng+ara 脚本的问题。
• 改进了数字中的脚本一致性。
• 对 control.cpp 进行了重大重构以启用行识别。
• 添加了 tesstrain.sh - 一个主要的训练脚本。
• 添加了 text2image 训练工具的功能，该功能仅列出可用的字体。
• 添加了 text2image 的功能，该功能可以对单词进行下划线。
• 提高了 PDF 输出图像处理的效率。
• 为使用 '​​print-parameters'​​ 命令行选项列出的每个参数添加了参数描述。
• 将字体信息添加到 hOCR 输出中。
• 启用了多页文档的流式输入和输出。
• 许多错误修复。

V3.03(rc1)

2014 年 2 月 4 日

• Tesseract 现在需要 Leptonica 1.70 或更高版本。
• 添加了 OpenCL 支持（实验性）。
• 添加了新的训练工具 text2image，用于从文本和 TrueType 字体生成框/tif 文件对。
• 添加了对包含可搜索文本的 PDF 输出的支持。
• 删除了整个 IMAGE 类和 image 目录中的所有代码。
• Tesseract 可执行文件：支持输出到标准输出；有限支持从标准输入获取单页图像（尤其是在 Windows 上）。
• 将 Renderer 添加到 API，以允许文档级处理和文档格式的输出，例如 hOCR、PDF。
• 对单词级识别、波束搜索进行了重大重构，消除了无用代码。
• 对分类器进行了重构，使其更容易添加新的分类器。
• 通用化了特征提取器，以允许从灰度图像提取特征。
• 改进了上标/下标处理。
• 改进了基线拟合。
• 将 set_unicharset_properties 添加到训练工具中。
• 许多错误修复。
• 包含了更多训练源数据。

V3.02.02

2012 年 10 月 23 日

• Tesseract 现在需要 Leptonica 1.69 或更高版本。
• 将 ResultIterator/PageIterator 移动到 ccmain 中。
• 在输出迭代器中为希伯来语/阿拉伯语添加了从右到左/双向功能。
• 在版式分析/OCR 后处理中添加了段落检测。
• 修复了训练期间 x 高度不一致和过度裁剪的问题。
• 添加了同时多语言功能。
• 对顶层单词识别模块进行了重构。
• 添加了实验性方程式检测器。
• 改进了对输入图像分辨率的处理。
• 添加了用于错误分析的 Blamer 模块。
• 通过从 baseapi.h 中删除包含内容来清理外部使用的命名空间。
• 删除了无用的内存管理代码。
• 整理了对控制参数的约束。
• 在分类器和训练中添加了对 ShapeTable 的支持。
• 对类修剪器进行了重构。
• 修复了训练泄漏和随机性。
• 对版式分析进行了重大改进，以实现更好的图像检测、带音符号检测、更好的文本行查找、更好的制表符查找。
• 改进了行检测和删除。
• 为 CJK 添加了固定间距切片器。
• 将 UNICHARSET 添加到 WERD_CHOICE 中，以使多语言处理更轻松。
• 修复了内部缩放图像的问题。
• 将页面和边界框添加到 tr 文件中的字符串中，以更好地识别训练数据的来源。
• 修复了印地语 Shiroreka 分割器的问题。
• 添加了单词二元语法校正。
• 减少了堆栈内存消耗，并消除了某些难看的类型定义。
• 添加了新的统一分类器 API。
• 添加了新的训练错误计数器。
• 修复了 dawg 阅读器中的字节序错误。
• C API（感谢 Tobias Müller）
• VS 2008 的新解决方案（感谢 Tom Powers）
• 修复了切片器查找切片并在此过程中弄乱轮廓的方式。
• 许多其他修复。

V3.01

2011 年 10 月 21 日

• 线程安全！将所有关键的全局变量和静态变量移动到相应类的成员中。Tesseract 现在是线程安全的（多个实例可以在多个线程中并行使用），但有一个小例外，即某些控制参数仍然是全局的，会影响所有线程。
• 添加了 Cube，这是一个新的实验性识别器，用于阿拉伯语和印地语。Cube 还可以与普通 Tesseract 结合使用，用于其他一些语言，精度略有提高，但速度会降低很多。Cube 没有训练模块。
• OcrEngineMode 在 Init 中替换 AccuracyVSpeed 以控制 Cube。
• 极大地改进了分割搜索，从而提高了精度和速度，尤其是对汉语而言。
• 添加了 PageIterator 和 ResultIterator 作为从 Tesseract 获取完整结果的更简洁方法，而这些方法目前没有在任何 TessBaseAPI::Get* 方法中提供。所有其他方法，尤其是 ETEXT_STRUCT，都已弃用，将在将来删除。
• ApplyBoxes 已经完全重写，使训练更容易。现在它可以处理接触/重叠的训练字符，新的 boxfile 格式允许使用单词框而不是字符框，但是要使用此功能，您必须已经使用字符框对语言进行了引导。 “对 traineddata 的循环依赖。”
• 在页面布局分析中添加了自动方向和脚本检测。
• 删除了 **大量** 无用代码。
• 用可扩展的数据驱动模块替换了 Fixxht 模块。
• 输出字体特征准确性提高。
• 删除了每次分类时的双重转换。
• 将最旧的结构升级为类，并弃用 PBLOB。
• 删除了非确定性基线拟合。
• 为中文添加了固定长度的 dawgs。
• 垂直文本处理改进。
• 领导点的处理改进。
• 表格检测大幅改进。
• 修复了几个内存泄漏。
• 修复了输出文本中的字体标签。（并不完美，但比以前好很多。）
• 清理和更多错误修复
• 针对 Hindi 的特殊处理。
• 支持在 VS2010 中构建，使用 Microsoft Windows SDK for Windows 7（感谢 Michael Lutz）

V3.00

2010 年 9 月 30 日

• 线程安全的准备工作
  • 将 TessBaseAPI 方法更改为非静态方法
  • 创建了用于存放实例数据的目录的类层次结构，并开始将代码移入这些类。
  • 将阈值代码移到一个单独的类中。
• 添加了主要的新的页面布局分析模块。
• 添加了 hOCR 输出。
• 添加了 Leptonica 作为主要图像 I/O 和处理。目前可选，但在将来的版本中，与 Leptonica 的链接将是强制性的。
• 重写了歧义表，以允许在 fix_quotes 的位置进行明确的替换。
• 添加了 TessdataManager 将数据文件合并到一个文件中。
• 删除了一些无用代码。
• 不再支持 VC++6。它无法处理模板的使用。
• 添加了更多语言。
• 大多数函数头注释的 Doxygen 化。

V2.04

2009 年 6 月 30 日

• 集成了可移植性补丁，以删除一些“访问”宏。
• 从查看器中删除了对 lua 的依赖，使其速度快了 **很多** 。此外，查看器现在可以编译并在（Linux 上）工作。也可以通过预构建的 ScrollView.jar 在 windows 上运行。
• 修复了以下问题：1、63、67、71、76、79、81、82、84、106、108、111、112、128、129、130、133、135、142、143、145、146、147、153、154、160、165、169、170、175、177、187、192、195、199、201、205、209。
• 这是支持 VC++6 的最后一个版本！
• 这也有可能是最后一个可以在没有 Leptonica 的情况下编译的版本！
• Windows 版本现在默认输出到 stderr，修复了缺少可见的、有意义的错误消息的许多问题。

V2.03

2008 年 4 月 22 日

2.02 由于最后一分钟的“简单”更改而无法运行。2.03 修复了这个问题。它还添加了对 leptonica 的包含检查，使其更易于使用。

V2.02

2008 年 4 月 21 日

• 对聚类、训练和分类器进行了改进。
• 针对大型字符集语言（例如 Kannada）的重大国际化改进。
• 删除了一些编译器警告。
• 添加了多页 tiff 支持，用于训练和运行。
• 更新了图形输出以与新的基于 java 的查看器通信。
• 添加了保存 n-best 列表的功能。
• 添加了 Leptonica 支持，用于更多文件类型。
• 改进了 Init/End 以使其安全。
• 减少了字典的内存使用。
• 在 TessBaseAPI 中添加了一些新 API。
• 修复了与 jpeg 库的命名空间冲突 (INT32)。
• 针对新代码的 Windows 可移植性修复。
• 针对新代码的 autoconf 系统更新。

V2.01

2007 年 8 月 30 日

（有关使用信息，另请参阅下面的 2.00 版本说明）

没有重大功能变化。只是进行了一些错误修复。

• 修复了 box 文件读取器中的 UTF8 输入问题。
• 修复了 dawg 代码中的各种无限循环和崩溃。
• 从 host.h 中删除了对 config_auto.h 的包含。
• 在 unicharset_extractor 中添加了自动 wctype 编码。
• 修复了 dawg 表过满的错误。
• 从 tarball 中删除了 svn 文件。
• 在 tessdll 中添加了新函数。
• 将分类结果中的最大 utf8 字符串增加到 8。
• 在 TessBaseAPI 中添加了用于 Ocropus 的新功能。

原始 6 种语言没有新的数据文件。使用 v2.00 中的文件。德语哥特体 (deu-f) 和巴西葡萄牙语 (por) 有新的数据文件。

**最新消息** unicharset_extractor 中存在一个小错误。由于这仅适用于训练，因此除非您需要运行训练，否则主 tarball 很好，在这种情况下，请用 tesseract-2.01.patch1.tar.gz 中的文件覆盖您的 unicharset_extractor.cpp 和 unicharset_extractor.exe。

V2.00

2007 年 7 月 18 日

（有关其他使用信息，另请参阅下面的 1.04 版本说明）

国际版的第一个版本。此版本识别以下语言

• 英语 - eng
• 法语 - fra
• 意大利语 - ita
• 德语 - deu
• 西班牙语 - spa
• 荷兰语 - nld

语言代码遵循 ISO 639-2。默认语言为英语。要识别其他语言

tesseract inputimage outputbase -l langcode

要在新语言上进行训练，请参阅 TrainingTesseract2。随着时间的推移，将出现更多语言。

此版本中的更改列表

• 将内部字符处理转换为 UTF8。
• 使用 6 种语言进行训练。
• 添加了 unicharset_extractor、wordlist2dawg。
• 添加了 boxfile 创建模式。
• 添加了 UNLV 回归测试功能。
• 修复了版权和注册符号问题。
• 修复了 extern “C” 声明问题。
• 对跨平台准确性的一致性进行了一些改进。
• 添加了 VC++ express 支持。

**警告：** Tesseract 2.00 比以前的任何版本都进行了更多兼容性测试。甚至还有一些修复，使跨平台的准确性更加一致。话虽如此，代码中也进行了许多更改，并且可移植性可能已被破坏，因此 64 位和 Mac 平台可能无法工作，甚至无法像以前一样构建。

V1.04

2007 年 5 月 15 日

Tesseract 开发现在使用 Subversion 完成，并托管在 code.google.com 上（以前我们使用 CVS 作为 VCS，并使用 sourceforge.net 进行托管）。

仅限 Windows 用户

为 windows 添加了一个 dll 接口。感谢 Jetsoft 的 Glen 为此做出的贡献。要使用 dll，请包含 tessdll.h，导入 tessdll.lib 并将 tessdll.dll 放在系统可以找到它的位置。还有一个小的 dlltest 程序来测试 dll。使用以下命令运行

dlltest phototest.tif phototest.txt

它将输出 phototest.tif 中的文本，并带有边界框信息。

Windows 的新功能

该发行版现在包含 tesseract.exe 和 tessdll.dll，它们 **可能** 可以开箱即用！没有保证，因为您需要 VC++6 版本的 MFC 和 CRT（至少）才能使其工作。（不包括电池，当然也不包括 installshield。）

对于使用 make 构建的任何人的重要说明：即除 devstudio 用户以外的任何人

此版本包含数据目录的新标准化。要使 Tesseract 能够找到其数据文件，您必须：

./configure
make
make install

将数据文件移动到标准位置，或者

export TESSDATA_PREFIX="directory in which your tessdata resides/"

（或等效项）在您的 .profile 或其他任何地方或 setenv 中设置环境变量。请注意，目录必须以 / 结尾

将 tesseract 和 tessdata **放在同一个目录中不再起作用**。

所有用户

修复了大量的名称冲突 - 主要与 STL 相关。进行了初步更改，以实现 unicode 兼容性。包括一个新的数据文件 (unicharset) 和其他数据文件的重命名，例如 eng，以支持不同的语言。此外，还修复了几个其他小错误，并为 64 位、最新的 Visual Studio 编译器等进行了 **可移植性改进** 。

感谢所有为这些修复做出贡献的人。

注意：这很可能是最后一个仅限英语的版本！对于非 Windows 用户，我们事先表示歉意，因为我们为发行版增加了 Windows 可执行文件。这可能会在下一个版本（具有多语言功能）中得到修复，因为这也会使发行版膨胀。

V1.03

2007 年 2 月 3 日

• 添加了 mftraining 和 cntraining。
• 添加了 baseapi，带有用于灰度和彩色的自适应阈值。
• 修复了许多内存泄漏。
• 修复了几个错误，包括缺乏自适应分类器的使用。
• 添加了 ifdefs 以消除图形代码并添加嵌入式平台支持。
• 合并了几个补丁，包括 64 位构建、Mac 构建。
• 准确性略有提高。

V1.02

2006 年 10 月 4 日

• 删除了对 Aspirin 的依赖。
• 修复了几个缺少的 Apache 许可证头文件。
• 删除了 $log。

V1.01

2006 年 9 月 7 日

• 为 VC++ 添加了 mfcpch.cpp 和 getopt.cpp。
• 修复了灰度图像和没有 libtiff 的问题。
• 阻止调试窗口用于使用输出。
• 修复了针对大端架构的 inttemp 加载。
• 修复了一些 Mac 编译问题。

V1.00

2006 年 6 月 17 日

Tesseract 的第一个 **开源** 版本！

托管在 sourceforge.net 上。CVS 用于版本控制。