Tesseract-OCR从入门到精通之windows环境实现图片文字识别

1下载Tesseract-OCR 

https://download.csdn.net/download/qq_29099209/10601927

https://download.csdn.net/download/qq_29099209/10601922

2测试是否可用

dos命令行识别图片

生成识别文件

3：中文包

https://download.csdn.net/download/qq_29099209/10617419

进行图片识别

如果不想训练字体库 感觉可以设置图片边框进行裁剪识别，正确率提高很多

4下载训练识别工具

https://download.csdn.net/download/qq_29099209/10617639

打开可能会报错，需要下载一个JDK

http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html

下载成功应该就不会报错了

5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[lang].[fontname].exp[num].tif 
lang是语言 fontname是字体 
比如我们要训练自定义字库 mjorcen字体名normal 
那么我们把图片文件重命名 mjorcen.normal.exp0.jpg在转tif。

例如：mjorcen.normal.exp0.jpg

6生成box文件，box文件和对应的tif一定要在相同的目录下，不然后面打不开

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

7打开jTessBoxEditor矫正错误并训练

8点击open 选择刚才改名字的图片文件

改正错误的识别，点击delete把多余的删除掉即可，然后点击save进行保存

tesseract  mjorcen.normal.exp0.jpg mjorcen.normal.exp0  nobatch box.train

unicharset_extractor mjorcen.normal.exp0.box

新建一个font_properties文件

里面内容写入 normal 0 0 0 0 0 表示默认普通字体

shapeclustering -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

最后会生成五个文件，把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上normal.

命令行输入，合并五个文件：

combine_tessdata normal.

1、把 normal.traineddata 复制到Tesseract-OCR 安装目录下的tessdata文件夹中 
2、识别命令：

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

效果：

还是有地方识别的不好，需要再多训练训练，也可能是删除了的原因，把原来识别多余的地方改成空白，与原来的库合并再试一次