Tesseract-OCR識別中文與訓(xùn)練字庫實例

關(guān)于中文的識別，效果比較好而且開源的應(yīng)該就是Tesseract-OCR了，所以自己親身試用一下，分享讓有同樣興趣的人少走彎路。

一、準備工作

1、下載Tesseract-OCR引擎，注意要3.0以上才支持中文哦，按照提示安裝就行。

2、下載chi_sim.traindata字庫。要有這個才能識別中文。下好后，放到Tesseract-OCR項目的tessdata文件夾里面。

3、下載jTessBoxEditor，這個是用來訓(xùn)練字庫的。

以上的幾個在百度都能找到下載，就不詳細講了。

?

?

二、識別

1、進入cmd，進入到要識別的圖片的路徑下。

2、輸入命令

1tesseract 圖片名稱 生成的結(jié)果文件的名稱 字庫

例如我的圖片識別就是：

1tesseract test.jpg result -l chi_sim

識別完后會生成result.txt文件

當然啦效果不太理想。所以我們要訓(xùn)練自己的字庫。

?

三、訓(xùn)練

1、將圖片轉(zhuǎn)換成tif格式，用于后面生成box文件?？梢酝ㄟ^畫圖，然后另存為tif即可。

更改圖片名字，這個是有要求的=。=

tif文面命名格式[lang].[fontname].exp[num].tif
lang是語言 fontname是字體?
比如我們要訓(xùn)練自定義字庫 mjorcen字體名normal
那么我們把圖片文件重命名 mjorcen.normal.exp0.jpg在轉(zhuǎn)tif。

?

2、生成box文件。

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

box文件和對應(yīng)的tif一定要在相同的目錄下，不然后面打不開。

?

3、打開jTessBoxEditor矯正錯誤并訓(xùn)練

打開train.bat

找到tif圖，打開，并校正。

?

4、訓(xùn)練。

只要在命令行輸入命令即可。

1tesseract? mjorcen.normal.exp0.jpg mjorcen.normal.exp0? nobatch box.train1unicharset_extractor mjorcen.normal.exp0.box

?

在這我明明已經(jīng)矯正好了，但是還是有1個字符不能識別出來，報的錯跟實際上完全沒有相關(guān)性，不知道是不是bug，到后面的結(jié)果就是“園”字沒有識別出來。

先不管，畢竟只有一個樣本。

?

新建一個font_properties文件

里面內(nèi)容寫入 normal 0 0 0 0 0 表示默認普通字體

?

繼續(xù)敲命令

1 2 3 4 5 6 7 8 9shapeclustering -F font_properties -U unicharset mjorcen.normal.exp0.tr? ? ?mftraining -F font_properties -U unicharset -O unicharset mjorcen.normal.exp0.tr? ? ?cntraining mjorcen.normal.exp0.tr

?

最后會生成五個文件，把目錄下的unicharset、inttemp、pffmtable、shapetable、normproto這五個文件前面都加上normal.

如圖：

?

命令行輸入，合并五個文件：

1combine_tessdata normal.

得到訓(xùn)練好的字庫。

?

四、測試

1、把 normal.traineddata 復(fù)制到Tesseract-OCR 安裝目錄下的tessdata文件夾中

?

2、識別命令：

1tesseract mjorcen.normal.exp0.jpg mjorcen.normal.exp0 -l normal

?

3、效果

?

對比：

?

?

總結(jié)：肯定要自己訓(xùn)練過后的字庫識別效果好，接下來要把整個項目弄進android，還要研究怎么將多個字庫合并成一個字庫，因為我不可能一次訓(xùn)練完所有的圖片文字的。到時候有什么成果了再分享。

?

更新：沒有錯誤的話命令行的提示應(yīng)該是這樣的