tesseract-OCR字库练习
hojun2018-03-21 00:16
第一步：安装需要用到的安装包
jdk-8u101-windows-x64tesseract-ocr-setup-3.05.01jTessBoxEditor-1.7.3简体中文chi_sim注意 tesseract需要编译器(安装包没提供)Supported Compilers are:
GCC 4.8 and aboveClang 3.4 and aboveMSVC 2015, 2017
安装略…
第二步：tesseract-OCR初认识
-l lang
使用的语言。如果没有指定，则采用英文。可以指定多种语言，由加号字符分隔。Tesseract使用3个字符的ISO 639-2语言代码。（请参阅语言）
–psm N将Tesseract设置为只运行布局分析的一个子集并假定某种形式的图像。N的选项是：
0 =只有方向和脚本检测（OSD）。1 =使用OSD自动分页。2 =自动分页，但没有OSD或OCR。3 =全自动页面分割，但没有OSD。（默认）4 =假设一列可变大小的文本。5 =假设一个统一的垂直排列文本块。6 =假设一个统一的文本块。7 =将图像作为单个文本行处理。8 =将图像视为一个单词。9 =将图像视为一个圆圈中的单个单词。10 =将图像视为单个字符。
基本的命令行用法：
tesseract imagename outputbase [-l lang] [--oem ocrenginemode] [--psm pagesegmode] [configfiles...]
第三步：jTessBoxEditor训练字库
之前玩冲顶大会的时候用过tesseract-OCR识别中文，可惜准确率很不理想，如下图：
使用tesseract-OCR识别会得到
tesseract question.jpg result -l chi_sim --psm 6
result.txt
8.手木几生产商诺墓亚最子刀是L又生产{十么为主?
发现错了好多，机、基、初、以都没有识别出来，有的还识别成两个字。这个时候就需要我们来训练中文字库。
准备好要识别的图片question.jpg
第一步：1、将图片转换成tif格式，用于后面生成box文件。可以通过画图，然后另存为tif即可。tif文面命名格式是有要求的：
lang 语言名(这可自定义，不要与现有的相同 eng、chi_sim等)fontname 字体(就是字体名字，比如normal、italic、bold)num 序号
把question.jpg用自带的画图另存为hojun.normal.exp0.jpg和hojun.normal.exp0.tif(注意，重命名改后缀不行)，放在E:\TessBox\下
接着打开cmd进入到该文件下，输入以下命令：
[lang].[fontname].exp[num].tif
会得到hojun.normal.exp0.box文件，右键使用记事本打开效果如下图
打开jTessBoxEditor目录，双击train.bat打开(可能要等待5-6秒，耐心等待程序响应)
打开软件后点击Box Editor->Open->选择对应的tif文件打开
得到如下效果
如果右边字体没有框框，左边没有内容是因为java8没安装好，或者安装了两个java版本，使用的是其他java版本可以在控制台输入
E:>java -versionjavaversion "1.8.0_101"Java(TM) SERuntimeEnvironment (build 1.8.0_101-b13)JavaHotSpot(TM) 64-BitServerVM (build 25.101-b13, mixedmode)
来查看java版本。如果使用其他版本的，一般在环境变量Path里面把java8的路径写在最前面就行。接下来就是调整了。删删改改如下：
然后点击save保存即可。接着在E:\TessBox\下新建一个font_properties文件，注意没有后缀里面内容写入normal 0 0 0 0 0 表示默认普通字体再接着新建一个txt文件，里面内容写入
echo Run Tesseract for Training.. tesseract.exe hojun.normal.exp0.tif hojun.normal.exp0 nobatch box.train echo Compute the Character Set.. unicharset_extractor.exe hojun.normal.exp0.boxshapeclustering -F font_properties -U unicharset hojun.normal.exp0.trmftraining -F font_properties -U unicharset -O unicharset hojun.normal.exp0.tr echo Clustering.. cntraining.exe hojun.normal.exp0.tr echoRename Files.. rename normproto hojun.normproto rename inttemp hojun.inttemp rename pffmtable hojun.pffmtable rename shapetable hojun.shapetable echo Create Tessdata.. combine_tessdata.exe hojun. echo. & pause
保存，修改文件名为Train.bat。(为了偷懒，你也可以在命令里一句一句命令的敲)双击批处理文件生成！成功结果如下
把hojun.traineddata复制到C:\Program Files (x86)\Tesseract-OCR\tessdata下试着识别
tesseract hojun.normal.exp0.jpg result -l hojun --psm 6
得到正确的结果
参考:https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract训练TesseractTesseract-OCR的简单使用与训练Tesseract-OCR识别中文与训练字库实例JAVA_HOME无效，java版本保持不变的问题解决
举报/反馈
0
0
收藏
分享
