OCR訓練中文樣本庫和識別

簡述

光學字符識別（英語：Optical Character Recognition，OCR）是指對文本資料的圖像文件進行分析識別處理，獲取文字及版面信息的過程。關於中文的識別最好的開源庫應該就是Tesseract OCR了。本文則重點介紹訓練出一份本身須要的樣本庫並識別（本文默認你已經會直接導入官方訓練庫識別）

準備工做

1）安裝tesseract ocr引擎

以Mac爲例，直接選擇homebrew命令安裝 brew install --with-training-tools tesseract

2）下載chi_sim.traindata（中文識別庫，直接放在tesseract安裝目錄的tessdata目錄下，例如/usr/local/Cellar/tesseract/4.0.0/share/tessdata））

3）下載jTessBoxEditor2.2.0

訓練步驟

1）把樣本圖片或者文字轉換成tif格式（圖片轉tif 能夠直接網上搜）這裏講文字轉tif

雙擊解壓後的jTessBoxEditor.jar文件，選擇工具欄TIFF/Box Generator，把須要轉換的文字直接拷貝到下面空白處

Output爲tif文件輸出目錄，其餘基本無需修改，而後點擊Generate稍等片刻便可生成生成tif文件。

2）生成box文件

把第二步生成的tif文件更名 sll.normal.exp0.tif ，官網的寫法~ 而後進入tif文件目錄下執行命令

tesseract sll.normal.exp0.tif sll.normal.exp0 -l chi_sim batch.nochop makebox1

3）選擇工具欄Box Editor，點擊Open導入第一步生成的tif文件（會自動綁定第二步生成的box文件）

點擊文字以後能夠修改識別區域寬高，x，y座標等，修改完成點擊save保存

4）執行腳本

Mac執行 sh 腳本文件名.sh，而後回車依次輸入sll（語言）normal（字體）

!/bin/sh

read -p "輸入你語言:" lang
echo {lang}
read -p "輸入你的字體:" font
echo {font}
echo "因此完整文件名爲："
echo {lang}.{font}.exp0.tif
echo "開始。。。"
echo {font} 0 0 0 0 0 >font_properties
tesseract  {lang}.{font}.exp0.tif {lang}.{font}.exp0  nobatch box.train
unicharset_extractor {lang}.{font}.exp0.box
shapeclustering -F font_properties -U unicharset {lang}.{font}.exp0.tr
mftraining -F font_properties -U unicharset -O unicharset {lang}.{font}.exp0.tr
cntraining {lang}.{font}.exp0.tr
echo "開始重命名文件"
mv inttemp {font}.inttemp
mv normproto {font}.normproto
mv pffmtable {font}.pffmtable
mv shapetable {font}.shapetable
mv unicharset {font}.unicharset
echo "生成最終文件"
combine_tessdata ${font}.

echo "完成"
複製代碼

運行成功以後就會生成.traineddata文件，這個文件即只能識別咱們訓練的「識別」倆字，因此說在大小，識別速度上會大大優於官網的中文包，固然本文只是例子，實踐項目中不可能只是「識別」兩個字那麼簡單，好比中文簡體3500字，那在修改box文件的時候確實是須要花費好久的時間的