Tesseract-OCR的簡單使用與訓練

時間 2019-11-16

標籤 tesseract ocr 簡單使用訓練简体版

原文原文鏈接

Tesseract-OCR的簡單使用與訓練

Tesseract，一款由HP實驗室開發由Google維護的開源OCR（Optical Character Recognition , 光學字符識別）引擎，與Microsoft Office Document Imaging（MODI）相比，咱們能夠不斷的訓練的庫，使圖像轉換文本的能力不斷加強；若是團隊深度須要，還能夠以它爲模板，開發出符合自身需求的OCR引擎。html

源碼地址爲：https://github.com/tesseract-ocr/tesseract；git

EXE可執行文件地址：http://download.csdn.net/download/whatday/7740469；github

接下來，咱們將在Windows環境下安裝Tesseract並實現簡單的轉換和訓練：工具

一、Tesseract實現

大致流程：Tesseract安裝 -> 打開命令行 -> 生成目標文件post

Tesseract安裝

下載tesseract-ocr-setup-3.02.02.exe安裝包，安裝成功後會在相應磁盤下有Tesseract-OCR文件夾，如圖學習

打開命令行

打開命令行，輸入tesseract，回車；如下即是tesseract的大致面貌：測試

生成目標文件

先準備一張圖片文件，如test.png字體

將命令行切換至目標圖像文件目錄，好比咱們轉換文件爲test.png（圖片文件容許多種格式），位於C:\Users\Lian\Desktop\test；而後在命令行中輸入url

tesseract test.png output_1 –l eng

【語法】: tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile…]spa

imagename爲目標圖片文件名，需加格式後綴；outputbase是轉換結果文件名；lang是語言名稱（在Tesseract-OCR中tessdata文件夾可看到以eng開頭的語言文件eng.traineddata），如不標-l eng則默認爲eng。

打開文件output_1.txt，發現tesseract成功的將圖像轉換成152408。

可喜可賀，說明老牌名將tesseract仍是很強的！可是仍是有點不夠準確，那麼咱們有沒有什麼辦法能提升tesseract識別字符準確率呢？接下來，咱們將使用配套訓練工具jTessBoxEditor來訓練樣本，來提升咱們的準確率！

二、Tesseract訓練：

大致流程爲：安裝jTessBoxEditor -> 獲取樣本文件 -> Merge樣本文件 –> 生成BOX文件 -> 定義字符配置文件 -> 字符矯正 -> 執行批處理文件 -> 將生成的traineddata放入tessdata中

安裝jTessBoxEditor

下載jTessBoxEditor，地址https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/；解壓後獲得jTessBoxEditor，因爲這是由Java開發的，因此咱們應該確保在運行jTessBoxEditor前先安裝JRE（Java Runtime Environment，Java運行環境）。

獲取樣本文件

咱們能夠用畫圖工具繪製樣本文件，數量越多越好，我本身畫了5張圖，如圖：

【注意】：樣本圖像文件格式必須爲tif\tiff格式，不然在Merge樣本文件的過程當中會出現 Couldn’t Seek 的錯誤。

Merge樣本文件

打開jTessBoxEditor，Tools->Merge TIFF，將樣本文件所有選上，並將合併文件保存爲num.font.exp0.tif

生成BOX文件

打開命令行並切換至num.font.exp0.tif所在目錄，輸入，生成文件名爲num.font.exp0.box

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

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

lang爲語言名稱，fontname爲字體名稱，num爲序號；在tesseract中，必定要注意格式。

定義字符配置文件

在目標文件夾內生成一個名爲font_properties的文本文件，內容爲

font 0 0 0 0 0

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

fontname爲字體名稱，italic爲斜體，bold爲黑體字，fixed爲默認字體，serif爲襯線字體，fraktur德文黑字體，1和0表明有和無，精細區分時可以使用。

字符矯正

打開jTessBoxEditor，BOX Editor -> Open，打開num.font.exp0.tif；矯正<Char>上的字符，記得<Page>有好多頁噢！

修改後記得保存。

執行批處理文件

在目標目錄下生成一個批處理文件

rem 執行改批處理前先要目錄下建立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

保存後執行便可，執行結果如圖：

最終文件夾內會有如下文件，如圖：