tesseract 3.02使用及语言库训练

tesseract使用

Tesseract是一个开源的OCR（Optical Character Recognition，光学字符识别）引擎，可识别多种格式的图像文件并将其转换成文本，目前已支持60多种语言（包括中文），github上有工程。地址为https://github.com/tesseract-ocr/tesseract。

使用

1. 安装，可以安装发布版本.exe，直接可以使用
2. 使用
   1) 准备一副待识别的图像，input.jpg，放到tesseract-OCR的安装目录下
   2)打开命令行，（如果装在C盘，用管理员身份启动），打开目录到tesseract-OCR的安装目录，输入指令tesseract.exe input.jpg output -l eng，其中output为输出的.txt文件，eng表示识别的语言为英文。查看output可知道识别准确率不高。

训练样本

1. 下载工具jTessBoxEditor，其中有个.jar文件，可以直接双击使用（由于该工具由java开发，需要安装jdk）
2. 准备样本图像（至少5张），和input.jpg里的内容类似
3. 合并样本图像。运行jTessBoxEditor–>Tools–>Merge Tiff，在弹出的对话框中shift选中所有样本图片，合并成num.font.exp0.tif文件。
4. 生成Box File文件。将生成的num.font.exp0.tif放到tesseract-OCR目录下，打开命令行，执行tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox 生成num.font.exp0.box文件，BOX文件为Tessercat识别出的文字和其坐标。
5. 文字校正。运行jTessBoxEditor–>Box Editor，打开num.font.exp0.tif，可以看到有些字符识别不正确，通过该工具手动对每张图片中识别错误的字符进行校正。校正完成后保存。
6. 定义字体特征文件。Tesseract-OCR3.01以上的版本在训练之前需要创建一个名称为font_properties的字体特征文件。font_properties不含有BOM头，文件内容格式如下：<fontname> <italic> <bold> <fixed> <serif> <fraktur> 这里为font 0 0 0 0 0 取值全为0表示字体不是粗体、斜体等等。ps：将此文件放置到tesseract目录下。
7. 生成训练文件。命令行执行tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train 生成num.font.exp0.tr训练文件。
8. 生成字符集文件。命令行执行unicharset_extractor.exe num.font.exp0.box，生成unicharset字符集文件。
9. 生成shape文件。命令行执行shapeclustering.exe -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr， 生成shape文件
10. 生成聚集字符特征文件。命令行执行mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr ，生成3个特征字符文件，unicharset、inttemp、pffmtable
11. 生成字符正常化特征文件。命令行执行cntraining.exe num.font.exp0.tr，生成正常化特征文件normproto
12. 更名。命令行执行
    rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable，把步骤10-11生成的特征文件进行更名。
13. 合并训练文件。命令行执行combine_tessdata.exe num. ，生成num.traineddata文件。
    注意：
    a. num.traineddata文件最终要拷贝到tesseract安装目录的tessdata目录下，才能被tesseract找到。
    b. 命令行最后必须带一个点。
    c. 执行结果中，1,3,4,5,13这几行必须有数值，不为-1，才代表命令执行成功。

测试使用

命令行执行tesseract.exe input.jpg output -l num 与之前的对比，准确率提高不少。

总结

以上为一个使用jTessBoxEditor工具辅助实现tesseract语言库训练的例子。仅作为参考。

---

更新：
尽量不要将tesseract安装在C盘，由于管理员权限问题，会产生box文件无法更新的问题，导致样本校正失去作用，进而影响准确率提高。