OCR庫Tesseract初探

1.Tesseract 安裝及使用

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。

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

tesseract下載地址：https://digi.bib.uni-mannheim.de/tesseract/

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：

進入下載頁面，能夠看到有各類.exe文件的下載列表，這裏能夠選擇下載3.0版本。

 

其中文件名中帶有dev的爲開發版本，不帶dev的爲穩定版本，能夠選擇下載不帶dev的版本，例如能夠選擇下載tesseract-ocr-setup-3.05.02.exe。

下載完成後雙擊，此時會出現以下圖所示的頁面。

 

此時能夠勾選Additional language data(download)選項來安裝OCR識別支持的語言包，這樣OCR即可以識別多國語言，默認只有英語。而後一路點擊Next按鈕便可。

配置環境變量

爲了在全局使用方便，好比安裝路徑爲C:\Program Files (x86)\Tesseract-OCR，將該路徑添加到環境變量的Path中。

還有一個環境變量要添加：TESSDATA_PREFIX  指向C:\Program Files (x86)\Tesseract-OCR\tessdata    這個是用於語言包的。

測試是否安裝成功：在cmd中輸入tesseract ，將出現如下界面表明成功：

 

2.Tesseract的使用

方式一：直接在命令行調用：

tesseract d:\6.png d:\result

第一個參數爲圖片路徑，第二個參數爲輸出結果路徑。6.png的圖片以下：

識別結果result.txt的內容爲：

有2個數字誤識別。

而使用比較標準的文字，如：

是能夠徹底識別的。你們能夠本身試試。

 

方式二：在Python中調用

要在python中使用，須要安裝：

Python  ：官網安裝地址：https://www.python.org/downloads/

PIL ：用於python圖像格式處理，安裝完python以後執行一下命令便可安裝：pip install Pillow

Pytesser3： python開源項目，封裝了tesseract庫，也是在python安裝完後使用pip命令安裝：pip install pytesser3

而後新建一個記事本文件更名爲orc.py,內容以下：

from pytesser3 import image_to_string
from PIL import Image
text = image_to_string(Image.open(r'D:\6.png'))
print(text)

用python執行一下：（我用PyCharm執行的）

3.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：

 

將生成的traineddata放入tessdata中

最後將num.trainddata複製到Tesseract-OCR中tessdata文件夾便可。

 

4.最後的測試

按照以前步驟，使用命令行輸入

tesseract test.png output_2 -l num

咱們能夠看到新生成的文件output_2的內容爲762408，內容徹底正確。細心的人會發現，最後一句指令，咱們使用了指令[-l num]而不是[-l eng]。這說明，最後一次轉換咱們使用的是新生成的num語言的匹配庫而不是默認的eng語言匹配庫。

 

 

咱們能夠看到，通過簡單的訓練，咱們對於數字數據的轉換準確率提升了不少。Tesseract的優勢除了能夠不斷學習之外，還由於是使用C++寫的開源程序，可使用C#或者C++調用以及修改，很關鍵！

Tesseract已經有多個語言的版本：

C#版本：https://github.com/charlesw/tesseract

Java版本：https://github.com/bytedeco/javacpp-presets/tree/master/tesseract

Python版本：https://github.com/sirfz/tesserocr

PHP版本：https://github.com/thiagoalessio/tesseract-ocr-for-php

Tesseract的其餘語言版本見：https://github.com/tesseract-ocr/tesseract/wiki/AddOns#tesseract-wrappers