Tesseract-OCR的简单使用与训练

布满荆棘的人生 2022-06-02 10:12 196阅读 0赞

# [Tesseract-OCR的简单使用与训练][Tesseract-OCR] #

Tesseract，一款由HP实验室开发由Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎，与Microsoft Office Document Imaging（MODI）相比，我们可以不断的训练的库，使图像转换文本的能力不断增强；如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。

源码地址为：[https://github.com/tesseract-ocr/tesseract][https_github.com_tesseract-ocr_tesseract]；

EXE可执行文件地址：[http://download.csdn.net/download/whatday/7740469][http_download.csdn.net_download_whatday_7740469]；

接下来，我们将在Windows环境下安装Tesseract并实现简单的转换和训练：

# 1、Tesseract实现 #

大体流程：Tesseract安装 -> 打开命令行 -> 生成目标文件

### Tesseract安装 ###

下载tesseract-ocr-setup-3.02.02.exe安装包，安装成功后会在相应磁盘下有Tesseract-OCR文件夹，如图

![1002970-20160812153430687-451281158.png][]

### 打开命令行 ###

打开命令行，输入tesseract，回车；以下便是tesseract的大体面貌：

![1002970-20160812153528187-881646688.png][]

### 生成目标文件 ###

先准备一张图片文件，如test.png

![1002970-20160812153552734-203227542.png][]

将命令行切换至目标图像文件目录，比如我们转换文件为test.png（图片文件允许多种格式），位于C:\\Users\\Lian\\Desktop\\test；然后在命令行中输入

tesseract test.png output_1 –l eng

【语法】:  tesseract imagename outputbase \[-l lang\] \[-psm pagesegmode\] \[configfile…\]

imagename为目标图片文件名，需加格式后缀；outputbase是转换结果文件名；lang是语言名称（在Tesseract-OCR中tessdata文件夹可看到以eng开头的语言文件eng.traineddata），如不标-l eng则默认为eng。

![1002970-20160812153629718-1092792872.png][]

打开文件output\_1.txt，发现tesseract成功的将图像转换成152408。

![1002970-20160812153638421-480339965.png][]

可喜可贺，说明老牌名将tesseract还是很强的！但是还是有点不够准确，那么我们有没有什么办法能提高tesseract识别字符准确率呢？接下来，我们将使用配套训练工具jTessBoxEditor来训练样本，来提高我们的准确率！

# 2、Tesseract训练： #

大体流程为：安装jTessBoxEditor -> 获取样本文件 -> Merge样本文件 –> 生成BOX文件 -> 定义字符配置文件 -> 字符矫正 -> 执行批处理文件 -> 将生成的traineddata放入tessdata中

### 安装jTessBoxEditor ###

下载jTessBoxEditor，地址[https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/][https_sourceforge.net_projects_vietocr_files_jTessBoxEditor]；解压后得到jTessBoxEditor，由于这是由Java开发的，所以我们应该确保在运行jTessBoxEditor前先安装JRE（Java Runtime Environment，Java运行环境）。

### 获取样本文件 ###

我们可以用画图工具绘制样本文件，数量越多越好，我自己画了5张图，如图：

【注意】：样本图像文件格式必须为tif\\tiff格式，否则在Merge样本文件的过程中会出现 Couldn’t Seek 的错误。

![1002970-20160812153715656-1074439370.png][]

![1002970-20160812153741296-1303442556.png][]

![1002970-20160812153806609-1764703475.png][]

![1002970-20160812153822062-628808068.png][]

![1002970-20160812153834218-1052309659.png][]

### Merge样本文件 ###

打开jTessBoxEditor，Tools->Merge TIFF，将样本文件全部选上，并将合并文件保存为num.font.exp0.tif

### 生成BOX文件 ###

打开命令行并切换至num.font.exp0.tif所在目录，输入，生成文件名为num.font.exp0.box

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

【语法】：tesseract \[lang\].\[fontname\].exp\[num\].tif \[lang\].\[fontname\].exp\[num\] batch.nochop makebox

lang为语言名称，fontname为字体名称，num为序号；在tesseract中，一定要注意格式。

### 定义字符配置文件 ###

在目标文件夹内生成一个名为font\_properties的文本文件，内容为

font 0 0 0 0 0

【语法】：<fontname> <italic> <bold> <fixed> <serif> <fraktur>

fontname为字体名称，italic为斜体，bold为黑体字，fixed为默认字体，serif为衬线字体，fraktur德文黑字体，1和0代表有和无，精细区分时可使用。

### 字符矫正 ###

打开jTessBoxEditor，BOX Editor -> Open，打开num.font.exp0.tif；矫正<Char>上的字符，记得<Page>有好多页噢！

![1002970-20160812154159375-210975776.png][]

修改后记得保存。

### 执行批处理文件 ###

在目标目录下生成一个批处理文件

![复制代码][copycode.gif]

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. 
    
    echo. & pause

![复制代码][copycode.gif]

保存后执行即可，执行结果如图：

![1002970-20160812170545140-70045160.png][]

最终文件夹内会有以下文件，如图：

![1002970-20160812154222781-1779165751.png][]

### 将生成的traineddata放入tessdata中 ###

最后将num.trainddata复制到Tesseract-OCR中tessdata文件夹即可。

# 3、最后的测试 #

按照之前步骤，使用命令行输入

tesseract test.png output_2 -l num

我们可以看到新生成的文件output\_2的内容为762408，内容完全正确。细心的人会发现，最后一句指令，我们使用了指令\[-l num\]而不是\[-l eng\]。这说明，最后一次转换我们使用的是新生成的num语言的匹配库而不是默认的eng语言匹配库。

![1002970-20160812154241953-2057018189.png][]

[Tesseract-OCR]: http://www.cnblogs.com/cnlian/p/5765871.html
[https_github.com_tesseract-ocr_tesseract]: https://github.com/tesseract-ocr/tesseract
[http_download.csdn.net_download_whatday_7740469]: http://download.csdn.net/download/whatday/7740469
[1002970-20160812153430687-451281158.png]: /images/20220602/771cbcf3f6f147ea88ada8b740666768.png
[1002970-20160812153528187-881646688.png]: /images/20220602/3fc4502b1dcd4c49bec7b279e1805110.png
[1002970-20160812153552734-203227542.png]: /images/20220602/847ea114b65040bc9ef24d23150a75d0.png
[1002970-20160812153629718-1092792872.png]: /images/20220602/b11de3506db44d87bff54f3bc888c5b7.png
[1002970-20160812153638421-480339965.png]: /images/20220602/4ba66b3e24234d409be697c6c1766c0f.png
[https_sourceforge.net_projects_vietocr_files_jTessBoxEditor]: https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
[1002970-20160812153715656-1074439370.png]: /images/20220602/0b3dc1c6d43f43798a3b09436f77a024.png
[1002970-20160812153741296-1303442556.png]: /images/20220602/dd7325bed4a44437838347e260f985ff.png
[1002970-20160812153806609-1764703475.png]: /images/20220602/1f0ae42911774e3384eb4a62bde8af52.png
[1002970-20160812153822062-628808068.png]: /images/20220602/cea2d0a72cc049fbae49996123a14679.png
[1002970-20160812153834218-1052309659.png]: /images/20220602/eff8c5b318e045b6af76d6e89e3e1e31.png
[1002970-20160812154159375-210975776.png]: /images/20220602/48cf6f6f2f8745f18f4e918eb8ab8903.png
[copycode.gif]: /images/20220602/3a977a7e160e47fbb9ed6f6f94a924d8.png
[1002970-20160812170545140-70045160.png]: /images/20220602/2a521a57ba9c4bffb2c45e7f87a8dd59.png
[1002970-20160812154222781-1779165751.png]: /images/20220602/80f8282178b54d4eac15ced3e63c6d09.png
[1002970-20160812154241953-2057018189.png]: /images/20220602/8d29147d6d4a468f983b6cde7d6c8db0.png