Tesseract-OCR 图片数字识别的样本训练

不念不忘少年蓝@ 2021-08-19 14:31 762阅读 0赞

最近想利用python写一段识别穿越火线交易所各种道具价格的代码。命令行执行：

tesseract.exe grab.jpg result -l eng

使用默认的Tesseract语言库总会识别成字母或者乱码，如下图：

![70][]

于是参考[https://blog.csdn.net/yasi\_xi/article/details/8763385][https_blog.csdn.net_yasi_xi_article_details_8763385]这篇帖子，训练了一个对游戏中数字识别度较高的样本库。

### 训练样本： ###

待识别的图像如下图中**出售价格**及**我的CF点**

![70 1][]

**python代码：**

import win32con
    import win32gui
    import pytesseract
    from PIL import ImageGrab
    import time

def get\_bin\_table(threshold=105):  
\# 获取灰度转二值的映射table  
table = \[\]  
for i in range(256):  
if i < threshold:  
table.append(0)  
else:  
table.append(1)  
return table

def grab():  
hwnd = win32gui.FindWindow(0, “Crossfire20170910\_0000.bmp - 画图”) \# 获取句柄  
print(hwnd)  
left, top, right, bottom = win32gui.GetWindowRect(hwnd)  
print(left, top, right, bottom)  
win32gui.ShowWindow(hwnd, win32con.SW\_SHOWNORMAL)  
win32gui.SetForegroundWindow(hwnd)  
time.sleep(0.2)  
img = ImageGrab.grab((870,478,913,495)) \# 截图，获取需要识别的区域  
img.show()  
imggray = img.convert(‘L’) \# 转化为灰度图  
table = get\_bin\_table()  
out = imggray.point(table, ‘1’)  
\#out.show()  
text = pytesseract.image\_to\_string(out) \# 使用简体中文解析图片则改为chi\_sim  
text = text.upper()  
print(text)

# img.save('C:/Users/Ysx/PycharmProjects/ocr/out/%s.jpg' % text)

if **name** == ‘**main**’:  
grab()

使用默认的语言库识别成功率不高，会识别为乱码或者字母。所以计划自己训练一个只能识别数字的准确语言库。

**1.训练环境：**首先安装[jdk-10.0.1\_windows-x64\_bin.exe][jdk-10.0.1_windows-x64_bin.exe]，它是java的运行环境。然后下载工具[jTessBoxEditor][]，它是训练样本的工具。

**2.样本图像：**从CF截图如下图像（越多越好，不过总共也就10个数字）。![70 2][]

**3.合并图像：**运行jTessBoxEditor，菜单栏中Tools–Merge TIFF。在弹出的对话框中选择样本图像（按Shift选择多张），合并名为num.font.exp0.tif文件。

**4.生成Box file文件：**

命令行执行：

cd C:\Users\Ysx\PycharmProjects\ocr\train

tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox

\* 生成num.font.exp0.box，BOX文件为Tessercat识别出的文字和其坐标。

**5.文字校正：**jTessBoxEditor工具打开num.font.exp0.tif，增加未识别的、修改识别错误的数字。

![70 3][]

**6.定义字体特征文件：**（当前目录下新建记事本，输入font 0 0 0 0 0，存为font\_properties，注意删除.txt后缀）

格式应为<fontname> <italic> <bold> <fixed> <serif> <fraktur>，取值1/0代表是否拥有对应属性。

**7.生成语言文件：**（当前目录下新建记事本，输入下列代码，存为1.bat）

rem 执行改批处理前先要目录下创建font\_properties文件

echo Run Tesseract for Training…
    
    tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train

echo Compute the Character Set…  
unicharset\_extractor.exe num.font.exp0.box  
mftraining -F font\_properties -U unicharset -O num.unicharset num.font.exp0.tr

echo Clustering…  
cntraining.exe num.font.exp0.tr

echo Rename Files…  
rename normproto num.normproto  
rename inttemp num.inttemp  
rename pffmtable num.pffmtable  
rename shapetable num.shapetable

echo Create Tessdata…  
combine\_tessdata.exe num.

双击1.bat执行，生成的num.traineddata存到对应的Tesseract-OCR\\tessdata目录。

**8.使用训练得到的num语言库：**

命令行执行：

tesseract.exe grab.jpg result -l num

原来不易识别的数字可以识别了，下一步就是做交易价格低于某值的时候自动操作购买道具的代码了。

![70 4][]

Tesseract-OCR安装和pytesseract配置参考[http://www.inimei.cn/archives/297.html][http_www.inimei.cn_archives_297.html]  
字库训练[https://blog.csdn.net/a443475601/article/details/9854003][https_blog.csdn.net_a443475601_article_details_9854003]

[70]: /images/20210726/8abe679b483d4cd39f854bd398d89f8f.png
[https_blog.csdn.net_yasi_xi_article_details_8763385]: https://blog.csdn.net/yasi_xi/article/details/8763385
[70 1]: /images/20210726/05197e7d4dad44f695cdbd87f84cdcdd.png
[jdk-10.0.1_windows-x64_bin.exe]: http://www.oracle.com/technetwork/java/javase/downloads/index.html
[jTessBoxEditor]: https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
[70 2]: /images/20210726/d0e9a93643a24f61b229ed203376eb48.png
[70 3]: /images/20210726/1a19b361bba741bea40d4ce8bc229f62.png
[70 4]: /images/20210726/0d9a4afc63724243bc5503bc37dae9f8.png
[http_www.inimei.cn_archives_297.html]: http://www.inimei.cn/archives/297.html
[https_blog.csdn.net_a443475601_article_details_9854003]: https://blog.csdn.net/a443475601/article/details/9854003