Tesseract-ocr自己做训练样本库来进行字符识别

使用默认的语言库识别

1.安装Tesseract

        从http://code.google.com/p/tesseract-ocr/downloads/list下载Tesseract，目前版本为Tesseract3.02。因为只是测试使用，这里直接下载winodws下的安装文件tesseract-ocr-setup-3.02.02.exe。安装成功后会在相应磁盘上生成一个Tesseract-OCR目录。通过目录下的tesseract.exe程序就可以对图像字符进行识别了。

2.准备一副待识别的图像，这里用画图工具随便写了一串数字，保存为11111.jpg，如下图所示：

3.  开始菜单打开命令行，定位到Tesseract-OCR目录，输入命令：

其中result表示输出结果文件txt名称，eng表示用以识别的语言文件为英文，7表示把图像看作一个单文本行。

3.  打开Tesseract-OCR目录下的result.txt文件，看到识别的结果为764-2316857，有2个字符识别错误，识别率还不是很高，那有没有什么方法来提供识别率呢？Tesseract提供了一套训练样本的方法，用以生成自己所需的识别语言库。下面介绍一下具体训练样本的方法。

训练样本

关于如何训练样本，Tesseract-OCR官网有详细的介绍http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3。这里通过我自己做的例子来介绍一下如何进行样本训练。

1.下载工具jTessBoxEditor. http://sourceforge.net/projects/vietocr/files/jTessBoxEditor/，这个工具是用来训练样本用的，由于该工具是用JAVA开发的，需要安装JDK，才能运行。可以在http://www.oracle.com/technetwork/java/javase/downloads/jdk7-downloads-1880260.html下载Java SE Development Kit 7u71，看你电脑的具体需求环境。

2.把所有的需要训练的图片合并为一张tiff格式的图片，如何合并呢？通过jTessBoxEditor中的Merge Tiff 来完成，不过他的小缺点就是只能合并多张tiff格式的，如果你的图片是jpg的，需要先通过格式工厂转换为tif。

3.合并图像。运行jTessBoxEditor工具，在点击菜单栏中Tools--->Merge TIFF。在弹出的对话框中选择样本图像（按Shift选择多张），合并成new.font.exp0.tif文件。

4.生成Box File文件。在new.font.exp0.tif所在的目录下打开一个命令行，输入：

 生成的BOX文件为new.font.exp0.box，该文件记录了tesseract识别出来的每一个字和其位置坐标。

注：Make Box File的命令格式为：

tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox  

其中lang为语言名称，fontname为字体名称，num为序号，可以随便定义。

5.文字校正。使用jTessBoxEditor中的Box Editor打开new.font.exp0.tif文件，需要记住的是第4步生成的new.font.exp0.box要和这个new.font.exp0.tif文件同在一个目录下。如下图所示，可以看出有些字符识别的不正确，可以通过该工具手动对每张图片中识别错误的字符进行校正。校正完成后保存即可。

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>  

其中fontname为字体名称，必须与[lang].[fontname].exp[num].box中的名称保持一致。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值为1或0，表示字体是否具有这些属性。

在样本图片所在目录下创建一个名称为font_properties的文件，

.

用记事本打开，输入以下下内容：

这里全取值为0，表示字体不是粗体、斜体等等。

7.生成语言文件

在样本图片所在目录下创建一个批处理文件rem，

输入如下内容：

echo Run Tesseract for Training..  
tesseract.exe new.font.exp0.tif new.font.exp0 nobatch box.train  
echo Compute the Character Set..  
unicharset_extractor.exe new.font.exp0.box  
mftraining -F font_properties -U unicharset -O new.unicharset new.font.exp0.tr  
echo Clustering..  
cntraining.exe new.font.exp0.tr  
echo Rename Files..  
rename normproto new.normproto  
rename inttemp new.inttemp  
rename pffmtable new.pffmtable  
rename shapetable new.shapetable   
echo Create Tessdata..  
combine_tessdata.exe new.     （这里new后面的 . 不能缺少）

最后把批处理文件rem的后缀改为.bat 。

将批处理通过命令行执行（call rem）。执行后的结果如下：

必须确定的是Offset 1、3、4、5、13的数据不是-1，那么一个新的字典就算生成了。

new.traineddata是最终生成的字典。将生成的new.traineddata拷贝到Tesseract-OCR-->tessdata目录下。以后就可以使用该该字典来识别了，例如：