Tesseract-OCR-v5.0中文識別,訓練自定義字庫,提升圖片的識別效果

1，下載安裝Tesseract-OCR 安裝，連接地址https://digi.bib.uni-mannheim.de/tesseract/

​

2，安裝成功 tesseract -v

注意：安裝後，要添加系統環境變量

​

3，cmd指定目錄到 cd C:\Work\BlogsTest\TestPic，要識別圖片的文件夾 識別：tesseract test.png result -l chi_sim

​

識別成功的效果，result.txt文件會自動生成

​

要注意：Tesseract-OCR的安裝目錄要包含識別中文的字符集chi_sim.traineddata，能夠在GitHub下載https://github.com/tesseract-ocr/tessdata

​

4，可見第3步的識別效果不是很好，想到經過訓練自定義字庫,提升圖片的識別效果

（0）下載安裝jTessBoxEditor，https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

​

注意要安裝JavaRuntime

（1）打開jTessBoxEditor，選擇Tools->Merge TIFF，進入訓練樣本所在文件夾，選中要參與訓練的樣本圖片：

​

（2）點擊 「打開」 後彈出保存對話框，選擇保存在當前路徑下，文件命名爲 「qq66.test.exp0.tif」 ，格式只有一種 「TIFF」 可選。

tif文面命名格式[lang].[fontname].exp[num].tif
lang是語言，fontname是字體，num爲自定義數字。

好比咱們要訓練自定義字庫 qq66，字體名test，那麼咱們把圖片文件命名爲 qq66.test.exp0.tif

（3）使用tesseract生成.box文件

tesseract qq66.test.exp0.tif qq66.test.exp0 -l chi_sim --psm 6 batch.nochop makebox

​

注意：--psm的語法，數字對應不一樣的 頁面分割模式。

（4）使用jTessBoxEditor矯正.box文件的錯誤

​

打開後矯正後，點擊 save

​

（5）生成font_properties文件：（該文件沒有後綴名）

執行命令，執行完以後，會在當前目錄生成font_properties文件
echo test 0 0 0 0 0 >font_properties

也能夠手工新建一個名爲font_properties的文本文件，輸入內容 「test 0 0 0 0 0」 表示字體test的粗體、傾斜等共計5個屬性。這裏的「test」必須與「qq66.test.exp0.box」中的「test」名稱一致。

（6）使用tesseract生成.tr訓練文件

執行下面命令，執行完以後，會在當前目錄生成qq66.test.exp0.tr文件。

tesseract qq66.test.exp0.tif qq66.test.exp0 nobatch box.train

​

（7）生成字符集文件：

執行下面命令：執行完以後會在當前目錄生成一個名爲「unicharset」的文件。

unicharset_extractor qq66.test.exp0.box

（8）生成shape文件：

執行下面命令，執行完以後，會生成 shapetable 和 zwp.unicharset 兩個文件。

shapeclustering -F font_properties -U unicharset -O qq66.unicharset qq66.test.exp0.tr

​

（8）生成聚字符特徵文件

執行下面命令，會生成 inttemp、pffmtable、shapetable和zwp.unicharset四個文件。

mftraining -F font_properties -U unicharset -O qq66.unicharset qq66.test.exp0.tr

​

（9）生成字符正常化特徵文件

執行下面命令，會生成 normproto 文件。

cntraining qq66.test.exp0.tr

​

（10）文件重命名
從新命名inttemp、pffmtable、shapetable和normproto這四個文件的名字爲[lang].xxx。

這裏修改成qq66.inttemp、qq66.pffmtable、qq66.shapetable和qq66.normproto

（11）合併訓練文件
執行下面命令，會生成qq66.traineddata文件。

combine_tessdata qq66.
​

最後文件目錄

​

5，用新生成的qq66.traineddata字符集，從新識別身份證

6，能夠同時選擇多個不一樣的樣本生成box文件

​

7，在原有訓練數據的基礎上，加入新的字符訓練信息

經研究找到實用合併方法（紅色部分爲示例，實際應爲你本身生成的文件名）：

在新的訓練數據生成.box 和.tr文件後，

生成字符集 unicharset_extractor add.font.exp0.box new.font.exp0.box

合併訓練數據(.tr)

mftraining -F font_properties -U unicharset -O added.unicharset add.font.exp0.tr new.font.exp0.tr

聚合全部的tr文件：

cntraining add.font.exp0.tr new.font.exp0.tr 

8，設置圖片分割模式

Page segmentation modes:

0 = Orientation and script detection (OSD) only.
1 = Automatic page segmentation with OSD.
2 = Automatic page segmentation, but no OSD, or OCR
3 = Fully automatic page segmentation, but no OSD. (Default)
4 = Assume a single column of text of variable sizes.
5 = Assume a single uniform block of vertically aligned text.
6 = Assume a single uniform block of text.
7 = Treat the image as a single text line.
8 = Treat the image as a single word.
9 = Treat the image as a single word in a circle.
10 = Treat the image as a single character.

例如：

tesseract test.png result  -l chi_sim -psm 7 nobatch

​