深刻學習Tesseract-ocr識別中文並訓練字庫的方法

上篇文章簡單的學習了tesseract-ocr識別圖片中的英文（連接地址以下：http://www.javashuo.com/article/p-dwilyquz-ev.html），看起來效果還不錯，因此這篇文章繼續深刻學習tesseract-ocr識別圖片中的中文。

一，準備中文字庫

 　　下載chi_sim.traindata字庫。要有這個才能識別中文。下好後，放到Tesseract-OCR項目的tessdata文件夾裏面。（注意下載字庫，必定要看庫對應的tesseract版本下載）

爲何強調版本呢 ，小編這裏講本身作的愚蠢的事情附上，但願你們別入坑了。

　   上一篇學習Tesseract-ocr中，識別的是英文，而後小編下載了中文庫，以下

　不知道是什麼緣由，老是報錯。報錯以下：

　　我找了多種方法，包括從新安裝庫，配置環境變量，仍然沒有解決問題，因此在這裏，我又考慮到Tesseract的版本問題，因此打算從新最新版 w64-v4.0.0，繼續試試。附上下載連接地址

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

　　下載Tesseract-ocr包的地址：https://github.com/tesseract-ocr/tesseract/wiki/Data-Files

　　下載Tesseract的Git地址：https://github.com/tesseract-ocr/tesseract/wiki

 　　通過一天的折騰，在tesseract的GitHub中，我偶然發現了問題的所在，能夠說本身是很是的蠢，請看下圖

 　　也就是不一樣的版本，安裝的中文包是不一樣的，而我亂安裝了包，因此一直報錯，尚未解決問題，下次必定不能這麼粗心。

二，準備訓練字庫

　　下載jTessBoxEditor，這個是用來訓練字庫的。

 

　　以上的在百度都能找到下載，就不詳細講了（要是找不到的，能夠留言給我），下載好以後就是這樣的。

 

三，下載Java虛擬機（Java大法好啊）

　　若是你剛剛接觸Java語言，而且對它興趣很大，想繼續研究。那麼這節就來給你說說怎麼安裝Java工具JDK，它是你進行Java的第一步。

      首先你要下載Java的JDK（JDK的全稱是:Java  Development Kit即Java語言軟件工具開發包），目前最新的JDK版本是1.8，Java最初是SUN公司，因後來被oracle公司收購，故你須要到oracle官網上下載JDK網址是：http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html。輸入這個網址你就能夠看到下面圖片

　　其中圖片中現實的上面是oracle公司提供的Java JDK，上面有兩個按鈕，默認是不接受License，你須要接受之後就能夠下載Java的JDK，這裏你須要根據本身電腦的類型，以及操做系統的位數，下載對應的JDK。下面的一個是oracle公司對JDK提供的demos和Samples即簡單的例子，能夠供咱們學習，感興趣的能夠下載下來學習。

       這裏我選擇下載JDK的Windows的64位JDK，下面圖片是下載的JDK的安裝包。

  雙擊JDK安裝包，點擊下一步。

 　　這裏選擇不安裝公共JRE，由於公共JRE是一個獨立的JRE系統，它是單獨的安裝在windows系統下的其餘路徑下。公用的JRE會向瀏覽器和系統中註冊Java運行時的環境。經過向瀏覽器和系統中註冊運行時的環境，系統中的任何應用程序均可以使用公用JRE。可是如今在瀏覽器網頁上執行applet的機會幾乎沒有，而且JDK目錄下JRE徹底能夠勝任，因此通常選擇不安裝公用JRE。這裏若是你不想安裝在默認路徑下，能夠選擇更改目錄。

　　　　單擊下一步，會出現以下安裝條。

 　　輸入Java -version能夠查看本身的Java版本。這樣你的JDK就安裝成功了。

 

四，識別中文效果

 1，隨便製做一張有漢字的圖片，小編作的圖片以下：

2，使用中文字庫訓練，程序以下：

1 2 3 4 5 6 7 8 9 10 11 12

import pytesseract from PIL import Image   #打開驗證碼圖片 image = Image.open('07.jpg') #加載一下圖片防止報錯，此處能夠省略 image.load() #調用show來展現圖片，調試用此處能夠省略 image.show() text = pytesseract.image_to_string(Image.open('07.jpg'),lang ='chi_sim')   print(text)

　　

3，使用中文字庫訓練的結果以下：

 　　從結果來看，效果不太理想，因此咱們要想獲得更好的結果，那麼就須要訓練本身的字庫，下面小編開始訓練本身的字庫。

五，訓練本身的文庫

一、將圖片轉換成tif格式，用於後面生成box文件。能夠經過畫圖，而後另存爲tif便可

　　更改圖片名字，這個是有要求的

1 2 3 4 5 6 7

tif文面命名格式[lang].[fontname].exp[num].tif   lang是語言           fontname是字體   好比咱們要訓練自定義字庫myfontlab      字體名normal   那麼咱們把圖片文件重命名 myfontlab.normal.exp0.jpg在轉tif。

　　

二、生成box文件

1	tesseract myfontlab.normal.exp0.jpg myfontlab.normal.exp0 -l chi_sim batch.nochop makebox

　

　box文件和對應的tif必定要在相同的目錄下，否則後面打不開。

　

　

三、打開jTessBoxEditor矯正錯誤並訓練

　　打開train.bat

　　用jTessBoxEditor.jar打開tif文件，而後根據實際狀況修改box文件 

 

　　找到tif圖，打開，並校訂。

四、訓練，生成.tr文件。

　　只要在命令行輸入命令便可。

1	tesseract  myfontlab.normal.exp07.jpg  myfontlab.normal.exp07  nobatch box.train

　

 　　生成一個unicharset文件

1	unicharset_extractor myfontlab.normal.exp07.box

　　

 

 

　　在這我明明已經矯正好了，可是仍是有1個字符不能識別出來，報的錯跟實際上徹底沒有相關性，不知道是否是bug，到後面的結果就是「一」字沒有識別出來。

 

5，新建一個font_properties文件

1	裏面內容寫入 normal 0 0 0 0 0 表示默認普通字體

　

　　運行命令

1	shapeclustering -F font_properties.txt -U unicharset myfontlab.normal.exp07.tr

　　

 

1	mftraining -F font_properties.txt -U unicharset -O unicharset myfontlab.normal.exp07.tr

　　

 

 

1	cntraining myfontlab.normal.exp07.tr

　　

 

 　　目錄下會生成對應下列五個文件，在這五個文件前加上normal.進行重命名

6 執行 combine_tessdata normal.  

　　合併五個文件，此時目錄下的normal.traineddata 就是訓練好的字庫文件

1	combine_tessdata normal.

　　

　　獲得訓練好的字庫以下：

六  測試字庫

1，把normal.traineddata  複製到Tesseract-OCRt程序目錄下的「tessdata」目錄,

2，在Tesseract-OCRt程序目錄下執行 

1	tesseract.exe myfontlab.normal.exp07.jpg out –l normal

 

 

　　下面文件中會保存你識別到的數據；

　　這個其實網上資料不少，但大都描述的不夠詳細和完整，這裏我一步一步把使用tesseract-ocr 訓練字庫的方法和步驟進行了描述，親測是沒有問題。

 

 

七，如何經過jTessBoxEditor進行Tesseract3.02.02樣本訓練

　　Tesseract生成.box文件後，須要用到jTessBoxEditor工具對其進行糾正，如下是jTessBoxEditor的使用步驟。

1  加載要糾正的.tif文件

　　box文件的內容也同時會加載到jTessBoxEditor，若是這部分的內容爲空，則是沒有生成.box文件的！以下圖：

2  加載步驟以下：

　　此處借用的是網友的圖片，方便，若有侵權，請聯繫小編及時刪除。

3  矯正文字

　　當一個字被識別爲兩個時，按住Ctrl鍵選中兩個，而後點擊Merge，便可進行合併！

　　進行矯正 主要就是座標 位置的調整,注意 添加須要選擇上一個文字才能分離

4.刪除空白的方法

　　有些空白處可能也會被jTessBoxEditor誤認爲是字體，用藍色框框住，

　　這個能夠直接選中，delete掉就行了！

5.總結

　　正常狀況下是每一個字體都會有藍色框框住，若是說有其中的兩個相鄰的字都沒有被框住，這時候即便採用insert後加上藍色框，可是最後識別仍是有問題，這個不懂是否是我操做不對！ 最後發現原來是兩個字體挨的太近的，致使區別不開了，在老大的建議下，把兩個字的距離隔開點來，就能夠正常的框出來了！（若是有更好的方法，請指出，謝謝）

　　修改完成後保存便可！這裏我是一張張樣本圖片進行修改的，可是我這樣作每張都有作一樣的糾正，不知道有沒有批量修改的方法呢？

　　在對圖片進行訓練以前，最好先用Opencv進行下處理，好比說二值化，這樣就能夠去掉一些干擾！可是要注意的是在識別以前一樣的也對圖片先進行相同效果的處理！這樣的識別率會有所提升！

八  軟件設置字體的方法

　　在setting>font 設置中文字體