如何用Tesseract做日文OCR（c#实现）

　　首先做一下背景介绍，Tesseract是一个开源的OCR组件，主要针对的是打印体的文字识别，对手写的文字识别能力较差，支持多国语言（中文、英文、日文、韩文等）。是开源世界里最强的一款OCR组件。当然和世界最强的OCR工具Abbyy相比还是有一点差距，尤其在图片质量较差时，差距还是明显的。

　　网上有很多关于如何使用这个组件的介绍，不过都是针对英文识别的。而如果是对中文或日文等方块字进行识别，除了需要使用不同的语言包外，还要对Tesseract做一些特别的设置，否则识别率会很低，以下我就和大家分享一下我使用Tesseract对日文做OCR的一些经验。

第一步，是要下载Tesseract组件，最简单的方法就是使用VisualStudio的NUGet来下载。选择第一个组件。　　

 

第二步，下载日文语言包，由于在大陆地区无法访问google，所以不能打开官网直接下载语言包。我给出文件的地址，可以使用迅雷下载。

http://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.jpn.tar.gz

下载完成后将语言包文件解压后放到tessdata文件夹下。

到目前为止，准备工作已经就绪，可以开始编写代码。

第三步，初始化Tesseract组件，代码如下。

 

TesseractEngine engine = new TesseractEngine(@"tessdata文件夹路径", "jpn", EngineMode.Default))

 

第四步，设置OCR参数，关于各参数的解释，可以参照官网

 

Useful parameters for Japanese and Chinese

 

Some Japanese tesseract user found these parameters helpful for increasing tesseract-ocr (3.02) accuracy for Japanese :

 

Name	Suggested value	Description
chop_enable	T	Chop enable.
use_new_state_cost	F	Use new state cost heuristics for segmentation state evaluation
segment_segcost_rating	F	Incorporate segmentation cost in word rating?
enable_new_segsearch	0	Enable new segmentation search path. It could solve the problem of dividing one character to two characters
language_model_ngram_on	0	Turn on/off the use of character ngram model.
textord_force_make_prop_words	F	Force proportional word segmentation on all rows.
edges_max_children_per_outline	40	Max number of children inside a character outline. Increase this value if some of KANJI characters are not recognized (rejected).

以下是代码　　　

engine.SetVariable("chop_enable ", "F");
engine.SetVariable("enable_new_segsearch", 0);
engine.SetVariable("use_new_state_cost ", "F");
engine.SetVariable("segment_segcost_rating", "F");
engine.SetVariable("language_model_ngram_on", 0);
engine.SetVariable("textord_force_make_prop_words", "F");
engine.SetVariable("edges_max_children_per_outline", 50);

 

这里面chop_enable参数与官网推荐的不太一样，我发现按照官网的设置，会有很多文字识别不出来。

第五步，开始识别。

 

var page = engine.Process(p);
var testText = page.GetText();
var c=page.GetMeanConfidence();

 

第一行代码返回一个Page对象，通过该对象可以获得识别的文本，而且还可以获得识别文本所在位置（这个在识别非固定模式文档时非常有用，可以根据关键字动态查找识别字段位置）。
在例子中OCR做全文识别，但是做全文识别很多情况下识别质量一般，最好增加识别区域参数，同时将PageSegMode参数设置为PageSegMode.SingleBlock（代表多行大小相同的文字）或PageSegMode.SingleRow（代表单行大小相同的文字）。

第二行和第三行分别返回识别的文本与识别的信任度。在实际使用时我发现识别信任度不是特别有用。无论识别对错，信任度基本在0.7左右，有些时候信任度较高，识别结果反而是错误的。

经过以上几步，就可以完成日文的OCR。但要让以上代码成功运行，还必须要在安装VC++运行时2012，否则会报错。

我使用以上方法对扫描图片进行测试，发现识别精确度还是比较高的，尤其在指定区域与PageSegMode参数后。但是日文字库也存在一些低级失误，如将数字“1”识别成了汉字“一”等。如果要想解决这个问题，必须要从头训练日文，这个工作量非常大！而这真的是Tesseract一个非常不智能的地方，应该支持在原有训练字库的基础上追加训练内容！或者在官网上提供Box文件和训练用Tif供开发者下载。