Tesseract 進行圖像識別

1. Tesseract 介紹

Tesseract的OCR引擎最早由HP實驗室於1985年開始研發，至1995年時已經成爲OCR業內最準確的三款識別引擎之一。然而，HP不久便決定放棄OCR業務，Tesseract也今後塵封。

數年之後，HP意識到，與其將Tesseract束之高閣，不如貢獻給開源軟件業，讓其重煥新生－－2005年，Tesseract由美國內華達州信息技術研究所得到，並求諸於Google對Tesseract進行改進、消除Bug、優化工做。

Tesseract目前已做爲開源項目發佈在Google Project，其最新版本3.0已經支持中文OCR，並提供了一個命令行工具。

2. Tesseract 安裝

Tesseract 能夠在 linux、windows 和 macOS 下使用。這裏以 macOS 爲例。

2.1 使用 homebrew 安裝 Tesseract 同時安裝訓練工具:

brew install --with-training-tools tesseract

雖然官方提供了多種語言的識別數據包，可是在不少狀況下都須要在其基礎上本身進行訓練，因此記得安裝訓練工具

2.2 安裝語言識別包

從官網地址下載對應的識別包 [官網地址](https://github.com/tesseract-...
) 好比中文識別選擇 chi_sim 這個包

再將識別包放置到系統的相應目錄中，好比我用 hoembrew 安裝，地址位於：

/usr/local/Cellar/tesseract/3.05.01/share/tessdata

2.3 下載訓練工具

tesseract 的好處就在可以本身訓練須要識別的字符，若是隻是識別印刷字體這樣的需求仍是調用 API 比較方便，好比說百度雲的文字識別 API。

要進行訓練就下載 jTessBoxEditor 樣本訓練工具

3. 基本概念

3.1 基本命令

查看版本

tesseract -v

查看幫助

tesseract --help

進行識別的命令

tesseract in.jpg out.txt -l chi_sim -psm 6
in.jpg:須要識別的圖片
out.jpg:圖片的結果輸出到的位置
-l:後跟用於進行識別的數據包，這裏是中文
-psm:識別方式

3.2 語言識別包

查看已有的語言識別包

➜libai tesseract --list-langs
List of available languages (4):
chi_sim
eng
libai
number

語言識別的包是識別的基礎，下載以後默認自帶的是 eng.traineddata 英文識別包。他可以用來識別英文，可是不能識別中文。因此要下載中文的識別包 ch_sim.traineddata 這樣就能識別中文。可是發現準確率不高，不符合需求就要訓練本身的包。

總之核心就在 traineddata 文件。

3.3 psm的參數

psm 的參數很重要，表示 tesseract 識別圖像的方式，好比說是一行一行識別仍是逐字識別。但願逐字識別可使用 -psm 10，但願逐行識別可使用 -psm 6,其餘沒怎麼用之後有機會補充。總之，但願有更好的識別效果須要選擇合適的 psm。

tesseract --help-psm
  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.

谷歌翻譯結果,本身嘗試一下會有體會

方向和腳本檢測（OSD）。
  1自動頁面分割與OSD。
  2自動頁面分割，但沒有OSD或OCR。
  3全自動頁面分割，但沒有OSD。 （默認）
  4假設單列可變大小的文本。
  5假設一個垂直對齊的文本的統一塊。
  6假設單個統一的文本塊。
  7將圖像視爲單個文本行。
  8將圖像視爲單個字。
  9將圖像視爲一個單個的單詞。
 10將圖像視爲單個字符。

4. 識別與訓練

4.1 識別

tesseract libai.jpg libai -l chi_sim -psm 6

抹甫曰月閆充，
屁是訛上霜;
亭孰塑明汛
佃爽崽故歹o

顯然準確率不高，進行訓練。

4.2 訓練

1.生成字體文件

打開jTessBoxEditor工具，菜單欄：tools->Merge TIFF...，選中要合成的圖片並保存爲爲：libai.tif

2.生成 box 文件

tesseract libai.tif libai -l chi_sim -psm 6 batch.nochop makebox

3.利用 jTessBoxEditor 校訂

校訂以後記得保存。

4.生成.tr文件

tesseract libai.tif libai -psm 6 nobatch box.train

5.生成unicharset文件

unicharset_extractor libai.box

6.建立font_properties文件

echo 'font 0 0 0 0 0' > font_properties

7.training

shapeclustering -F font_properties -U unicharset libai.tr
mftraining -F font_properties -U unicharset -O l libai.tr

8.Clustering。產生字符形狀正常化特徵文件normproto

cntraining libai.tr

9.重命名文件

mv normproto libai.normproto
mv inttemp libai.inttemp
mv pffmtable libai.pffmtable
mv shapetable libai.shapetable
mv unicharset libai.unicharset

10.合併文件生成 traineddata 文件

➜  libai combine_tessdata libai.
Combining tessdata files
TessdataManager combined tesseract data files.
Offset for type  0 (libai.config                ) is -1
Offset for type  1 (libai.unicharset            ) is 140
Offset for type  2 (libai.unicharambigs         ) is -1
Offset for type  3 (libai.inttemp               ) is 855
Offset for type  4 (libai.pffmtable             ) is 140145
Offset for type  5 (libai.normproto             ) is 140274
Offset for type  6 (libai.punc-dawg             ) is -1
Offset for type  7 (libai.word-dawg             ) is -1
Offset for type  8 (libai.number-dawg           ) is -1
Offset for type  9 (libai.freq-dawg             ) is -1
Offset for type 10 (libai.fixed-length-dawgs    ) is -1
Offset for type 11 (libai.cube-unicharset       ) is -1
Offset for type 12 (libai.cube-word-dawg        ) is -1
Offset for type 13 (libai.shapetable            ) is 141781
Offset for type 14 (libai.bigram-dawg           ) is -1
Offset for type 15 (libai.unambig-dawg          ) is -1
Offset for type 16 (libai.params-model          ) is -1
Output libai.traineddata created successfully.

11.將文件拷貝到目標文件夾

cp libai.traineddata /usr/local/Cellar/tesseract/3.05.01/share/tessdata

12.再次識別

tesseract libai.jpg trained -l libai -psm 6

➜  libai cat trained.txt
牀前明月光，
疑是地上霜;
舉頭望明月，
低頭思故鄉.

5. 總結

tesseract 可以進行 OCR 識別，可是對中文的支持不夠好。因此若是要更好地識別中文字體須要進行大量的訓練，有時間精力固然是一個方案，沒有的話仍是調用現成的 API 比較好。至少對印刷的中文字識別效果是很好的。

我寫好的放在 Tesseract 和百度識別的 Demo

參考資料：

Tesseract 3 語言數據的訓練方法
使用Tesseract-OCR訓練文字識別記錄
如何使用Tesseract-OCR(v3.02.02)訓練字庫 - 做業部落 Cmd Markdown 編輯閱讀器