mac上文字识别(Tesseract-OCR for mac )
0.介绍
Tesseract是一个开源的OCR引擎，能识别100多种语言（中，英，韩，日，德，法...等等），但是Tesseract对手写的识别能力较差。
1.安装
//安装tesseract的同时安装训练工具
brew install --with-training-tools tesseract
//安装tesseract的同时安装所有语言，语言包比较大，如果安装的话时间较长，建议不安装，按需选择
brew install --all-languages tesseract
//安装tesseract，并安装训练工具和语言
brew install --all-languages --with-training-tools tesseract
//只安装tesseract，不安装训练工具
brew install tesseract参考文档:http://khalsa.guru/posts/16
2.下载语言库
下载地址:https://github.com/tesseract-ocr/tessdata
根据自己的需求选择所要的语言库，在这里我们选择的是简体中文所以选择的库是：chi_sim.traineddata
将文件拷贝到到：/usr/local/Cellar/tesseract/3.04.01_2/share/tessdata目录下。
库名-语言表如下
| 库名 | 语言 |
|---|---|
| afr | Afrikaans(南非荷兰语) |
| amh | Amharic(阿姆哈拉语) |
| ara | Arabic(阿拉伯语) |
| asm | Assamese(阿萨姆) |
| aze | Azerbaijani(阿塞拜疆) |
| aze_cyrl | Azerbaijani - Cyrilic(阿塞拜疆-Cyrilic) |
| bel | Belarusian(白俄罗斯) |
| ben | Bengali(孟加拉) |
| bod | Tibetan(西藏) |
| bos | Bosnian(波斯尼亚) |
| bul | Bulgarian(保加利亚语) |
| cat | Catalan; Valencian(加泰罗尼亚语; 巴伦西亚) |
| ceb | Cebuano(宿务) |
| ces | Czech(捷克) |
| chi_sim | Chinese - Simplified(中国-简体) |
| chi_tra | Chinese - Traditional(中国-繁体) |
| chr | Cherokee(切诺基) |
| cym | Welsh(威尔士) |
| dan | Danish(丹麦) |
| dan_frak | Danish - Fraktur(丹麦-Fraktur) |
| deu | German(德国) |
| deu_frak | German - Fraktur(德国-Fraktur) |
| dzo | Dzongkha(不丹文) |
| ell | Greek, Modern （1453-）(希腊，现代（1453-）) |
| eng | English(英语) |
| enm | English, Middle (1100-1500)(英语，中东（1100-1500）) |
| epo | Esperanto(世界语) |
| equ | Math / equation detection module(数学/方程式检测模块) |
| est | Estonian(爱沙尼亚) |
| eus | Basque(巴斯克) |
| fas | Persian(波斯) |
| fin | Finnish(芬兰) |
| fra | French(法语) |
| frk | Frankish(法兰克) |
| frm | French, Middle (ca.1400-1600)(法国，中东（ca.1400-1600）) |
| gle | Irish(爱尔兰) |
| glg | Galician(加利西亚) |
| grc | Greek, Ancient (to 1453)(希腊语，古（到1453年）) |
| guj | Gujarati(古吉拉特语) |
| hat | Haitian; Haitian Creole(海天; 海地克里奥尔语) |
| heb | Hebrew(希伯来语) |
| hin | Hindi(印地文) |
| hrv | Croatian(克罗地亚) |
| hun | Hungarian(匈牙利) |
| iku | Inuktitut(因纽特语) |
| ind | Indonesian(印尼) |
| isl | Icelandic(冰岛) |
| ita | Italian(意大利语) |
| ita_old | Italian - Old(意大利语-旧) |
| jav | Javanese(爪哇) |
| jpn | Japanese(日本) |
| kan | Kannada(卡纳达语) |
| kat | Georgian(格鲁吉亚) |
| kat_old | Georgian - Old(格鲁吉亚-旧) |
| kaz | Kazakh(哈萨克斯坦) |
| khm | Central Khmer(中央高棉) |
| kir | Kirghiz; Kyrgyz(柯尔克孜; 吉尔吉斯) |
| kor | Korean(韩国) |
| kur | Kurdish(库尔德人) |
| lao | Lao(老挝) |
| lat | Latin(拉丁) |
| lav | Latvian(拉脱维亚) |
| lit | Lithuanian(立陶宛) |
| mal | Malayalam(马拉雅拉姆语) |
| mar | Marathi(马拉) |
| mkd | Macedonian(马其顿) |
| mlt | Maltese(马耳他) |
| msa | Malay(马来文) |
| mya | Burmese(缅甸) |
| nep | Nepali(尼泊尔) |
| nld | Dutch; Flemish(荷兰; 佛兰芒语) |
| nor | Norwegian(挪威) |
| ori | Oriya(奥里亚语) |
| osd | Orientation and script detection module(定位及脚本检测模块) |
| pan | Panjabi; Punjabi(旁遮普语; 旁遮普语) |
| pol | Polish(波兰) |
| por | Portuguese(葡萄牙语) |
| pus | Pushto; Pashto(普什图语; 普什图语) |
| ron | Romanian; Moldavian; Moldovan(罗马尼亚; 摩尔多瓦; 摩尔多瓦) |
| rus | Russian(俄罗斯) |
| san | Sanskrit(梵文) |
| sin | Sinhala; Sinhalese(僧伽罗语; 僧伽罗语) |
| slk | Slovak(斯洛伐克) |
| slk_frak | Slovak - Fraktur(斯洛伐克- Fraktur) |
| slv | Slovenian(斯洛文尼亚) |
| spa | Spanish; Castilian(西班牙语; 卡斯蒂利亚) |
| spa_old | Spanish; Castilian - Old(西班牙语; 卡斯蒂利亚-老) |
| sqi | Albanian(阿尔巴尼亚) |
| srp | Serbian(塞尔维亚) |
| srp_latn | Serbian - Latin(塞尔维亚语-拉丁语) |
| swa | Swahili(斯瓦希里语) |
| swe | Swedish(瑞典) |
| syr | Syriac(叙利亚) |
| tam | Tamil(泰米尔) |
| tel | Telugu(泰卢固语) |
| tgk | Tajik(塔吉克斯坦) |
| tgl | Tagalog(菲律宾语) |
| tha | Thai(泰国) |
| tir | Tigrinya(提格雷语) |
| tur | Turkish(土耳其) |
| uig | Uighur; Uyghur(维吾尔族; 维吾尔) |
| ukr | Ukrainian(乌克兰) |
| urd | Urdu(乌尔都语) |
| uzb | Uzbek(乌兹别克斯坦) |
| uzb_cyrl | Uzbek - Cyrilic(乌兹别克斯坦- Cyrilic) |
| vie | Vietnamese(越南语) |
| yid | Yiddish(意第绪语) |
3.Tesseract使用
终端输入命令:tesseract --help
Usage:
tesseract --help | --help-psm | --version
tesseract --list-langs [--tessdata-dir PATH]
tesseract --print-parameters [options...] [configfile...]
tesseract imagename|stdin outputbase|stdout [options...] [configfile...]
OCR options:
--tessdata-dir PATH Specify the location of tessdata path.
--user-words PATH Specify the location of user words file.
--user-patterns PATH Specify the location of user patterns file.
-l LANG[+LANG] Specify language(s) used for OCR.
-c VAR=VALUE Set value for config variables.
Multiple -c arguments are allowed.
-psm NUM Specify page segmentation mode.
NOTE: These options must occur before any configfile.
Page segmentation modes:
0 Orientation and script detection (OSD) only.
1 Automatic page segmentation with OSD.
2 Automatic page segmentation, but no OSD, or OCR.
3 Fully automatic page segmentation, but no OSD. (Default)
4 Assume a single column of text of variable sizes.
5 Assume a single uniform block of vertically aligned text.
6 Assume a single uniform block of text.
7 Treat the image as a single text line.
8 Treat the image as a single word.
9 Treat the image as a single word in a circle.
10 Treat the image as a single character.
Single options:
-h, --help Show this help message.
--help-psm Show page segmentation modes.
-v, --version Show version information.
--list-langs List available languages for tesseract engine.
--print-parameters Print tesseract parameters to stdout.一般使用:
//默认使用eng文字库， imgName是图片的地址，result识别结果
tesseract imgName result指定语言:
//指定使用简体中文
tesseract -l chi_sim imgName result
//查看本地存在的语言库
tesseract --list-langs指定多语言:
//指定多语言，用+号相连
tesseract -l chi_sim+eng imgName result有个地方需要特别注意，参数psm
//输入命令，查看psm的参数
tesseract --help-psm
0 Orientation and script detection (OSD) only.
1 Automatic page segmentation with OSD.
2 Automatic page segmentation, but no OSD, or OCR.
3 Fully automatic page segmentation, but no OSD. (Default)
4 Assume a single column of text of variable sizes.
5 Assume a single uniform block of vertically aligned text.
6 Assume a single uniform block of text.
7 Treat the image as a single text line.
8 Treat the image as a single word.
9 Treat the image as a single word in a circle.
10 Treat the image as a single character.
翻译（可能不是很准,最好看原文）：
0 定向脚本监测（OSD）
1 使用OSD自动分页
2 自动分页，但是不使用OSD或OCR（Optical Character Recognition，光学字符识别）
3 全自动分页，但是没有使用OSD（默认）
4 假设可变大小的一个文本列。
5 假设垂直对齐文本的单个统一块。
6 假设一个统一的文本块。
7 将图像视为单个文本行。
8 将图像视为单个词。
9 将图像视为圆中的单个词。
10 将图像视为单个字符。根据情况选择不同的psm值，这很重要，如果选择到不恰当的值会导致识别失败。
例如:
1234.png
使用命令:
//不设置psm值的命令
tesseract 1234.png 1234 -l chi_sim
打印:
Tesseract Open Source OCR Engine v3.04.01 with Leptonica
Info in fopenReadFromMemory: work-around: writing to a temp file
Empty page!!
Empty page!!
//不设置psm值的命令
tesseract 1234.png 1234 -l chi_sim -psm 6
成功识别:
一二三四
一二三四4.语言训练
提前准备:
1.training tools。（在安装tesseract时候运行brew install --with-training-tools tesseract这句命令会同时安装training tools）
2.jTessBoxEditor工具。
3.训练素材
在这里准备的素材如下:
hui.png
yi.png
执行命令:
tesseract hui.png hui -l chi_sim -psm 10
识别结果：瞧
tesseract yi.png yi -l chi_sim -psm 10
识别结果：=显然自带chi_sim库对隳易这两个字的识别不是很好。为了识别这两个字，我们要对这两个字进行训练。
1.素材合成，(多个素材合成)
打开jTessBoxEditor工具，菜单栏：tools->Merge TIFF...，选中要合成的图片并保存为为：huiyi.fitt。
2.生成box文件
//命令
tesseract huiyi.tif huiyi -l chi_sim -psm 10 batch.nochop makebox执行后会在生成一个名为huiyi.box的box文件。
用文本编辑器或者xcode打开:
瞧 31 37 112 119 0
= 51 86 93 106 1修改为：
隳 31 37 112 119 0
易 51 86 93 106 1保存文件。
3.生成.tr文件
//命令
tesseract huiyi.tif huiyi -psm 10 nobatch box.train4.生成unicharset文件
//命令
unicharset_extractor huiyi.box注意unicharset_extractor命令是training tools里面的集成命令，如果运行时说没有找到该命令则说明你没有安装training tools。
5.创建font_properties文件
字体特征文件，Tesseract-OCR 3.01 及以上版本在训练之前都要创建font_properties文件。文件格式内容格式如下：
fontname italic bold fixed serif fraktur
//翻译
字体名字 倾斜 加粗 固定宽度 衬线体 哥特字体除了字体之外其他的值都是bool值，0或1
在这里font_properties的内容是：
font 0 0 0 0 0执行命令：
echo 'font 0 0 0 0 0' > font_properties5.training
执行命令：
shapeclustering -F font_properties -U unicharset huiyi.tr会生成：shapetable文件，重命名为huiyi.shapetable
执行命令：
mftraining -F font_properties -U unicharset -O huiyi.unicharset huiyi.tr会生成：huiyi.unicharset、inttemp，pffmtable文件，将inttemp，pffmtable重命名为：huiyi.inttemp，huiyi.pffmtable
执行命令：
cntraining huiyi.tr会生成：normproto文件，重命名为huiyi.normproto
6.得到traineddata文件
执行命令：
combine_tessdata huiyi.
//打印
Combining tessdata files
TessdataManager combined tesseract data files.
Offset for type 0 (huiyi.config ) is -1
Offset for type 1 (huiyi.unicharset ) is 140
Offset for type 2 (huiyi.unicharambigs ) is -1
Offset for type 3 (huiyi.inttemp ) is 406
Offset for type 4 (huiyi.pffmtable ) is 118222
Offset for type 5 (huiyi.normproto ) is 118282
Offset for type 6 (huiyi.punc-dawg ) is -1
Offset for type 7 (huiyi.word-dawg ) is -1
Offset for type 8 (huiyi.number-dawg ) is -1
Offset for type 9 (huiyi.freq-dawg ) is -1
Offset for type 10 (huiyi.fixed-length-dawgs ) is -1
Offset for type 11 (huiyi.cube-unicharset ) is -1
Offset for type 12 (huiyi.cube-word-dawg ) is -1
Offset for type 13 (huiyi.shapetable ) is 118708
Offset for type 14 (huiyi.bigram-dawg ) is -1
Offset for type 15 (huiyi.unambig-dawg ) is -1
Offset for type 16 (huiyi.params-model ) is -1
Output huiyi.traineddata created successfully.将huiyi.traineddata移动到/usr/local/Cellar/tesseract/3.04.01_2/share/tessdata/目录下
执行命令：
cp huiyi.traineddata /usr/local/Cellar/tesseract/3.04.01_2/share/tessdata/7.验证
执行命令:
tesseract hui.png hui -l huiyi -psm 10
识别结果：瞧
tesseract yi.png yi -l huiyi -psm 10
识别结果：易成功识别。
结语：好久没写了，这篇是之前就写好的，一直没发，刚过完年诸事繁忙，一直没时间写。在新的一年祝各位同仁前程似景。最近看下有没有时间将Tesseract迁移到iOS上，之前试过效果并不好，主要是识别速度偏慢，而且还没有一个很好的灰度算法用来处理图片。
作者：隳易
链接：http://www.jianshu.com/p/016e55c25521
來源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。