Tesseract-OCR 3.0.1训练自己的语言库之图像文字识别
关于印刷文字识别依然是图像领域的难点问题，还有很多的单位或个人希望拥有自己的语言识别模型。近来，在各大论坛、学习交流群、后台私信等还会看到仍然有同种志群的人才再不断的加入这个领域。
小编初做文字识别方面的调研工作时，也耗费了不少精力，算个入门吧！
把当初记录在CSDN，关于如何使用tesseract-ocr训练属于自己的模型/语言库，分享至此。
希望对在这条路上摸索的小伙伴，有所帮助。
训练过程中涉及到的工具，文中都有下载链接。
以下，以训练数字0~9为例，同样可以训练汉字（前提是准备相应的符合规格的图像集。）
Tesseract是一个开源的OCR（Optical Character Recognition，光学字符识别）引擎，可以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）。 Tesseract最初由HP公司开发，后来由Google维护，目前发布在Googel Project上。
一、使用默认的语言库识别
1.安装Tesseract
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0.jpg，如下图所示：
3.训练。打开命令行（cmd），定位到Tesseract-OCR目录，输入命令：
tesseract.exe 0.jpg result -l eng
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。
4.查看结果。打开Tesseract-OCR目录下的result.txt文件，看到识别的结果为7542315857，有3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。
二、训练样本【用自己的语言库】
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。这里通过一个简单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JAVA虚拟机才能运行。
2. 获取样本图像。
用画图工具绘制了5张0-9的文样本图像（当然样本越多越好），如下图所示：
3.合并样本图像。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num.font.exp0.tif文件。4.生成Box File文件。打开命令行，执行命令：
tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox
生成的BOX文件为num.font.exp0.box，BOX文件为Tessercat识别出的文字和其坐标。
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。运行jTessBoxEditor工具，打开num.font.exp0.tif文件（必须将上一步生成的.box和.tif样本文件放在同一目录），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： view plain copy
其中fontname为字体名称，必须与[lang].[fontname].exp[num].box中的名称保持一致。
这里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： p
font 0 0 0 0 0
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font.bat，输入如下内容：【rem 执行改批处理前先要目录下创建font_properties文件】
rem 执行改批处理前先要目录下创建font_properties文件
echo Run Tesseract for Training..
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train
echo Compute the Character Set..
nicharset_extractor.exe num.font.exp0.box mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr
echo Clustering..
cntraining.exe num.font.exp0.tr
echo Rename Files..
rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable
echo Create Tessdata..
combine_tessdata.exe num.
将批处理通过命令行执行。执行后的结果如下：
需确认打印结果中的Offset 1、3、4、5、13这些项不是-1。这样，一个新的语言文件就生成了。
num.traineddata便是最终生成的语言文件，将生成的num.traineddata拷贝到Tesseract-OCR-->tessdata目录下。可以用它来进行字符识别了。
三、使用训练后的语言库识别
用训练后的语言库识别number.jpg文件， 打开命令行，定位到Tesseract-OCR目录，输入命令：
tesseract.exe number.jpg result -l num
识别结果如如图所示，可以看到识别率提高了不少。通过自定义训练样本，可以进行图形验证码、车牌号码识别等。感兴趣的朋友可以研究研究。
注：如果报错找不到该语言库，是因为没有配置环境变量
配置的路径是 tessdata目录的上一级。
再运行即可。
以上，使用tesseract-ocr训练模型和使用模型的简单过程就叙述完了。
近期热文
常见文本相似度量方法总结
文本分类特征提取之Word2Vec
干货|免费文本语料训练数据集
既生Mahout，何生Spark MLlib ？
官宣：谷歌 AI 中国中心在北京成立
干货|免费文本语料训练数据集
... ...
安心的幸福莫过于三件事：有人信你，有人陪你，有人等你。
更多干货内容请关注微信公众号“AI 深入浅出”
长按二维码关注