训练tesseract

tesseract识别率，通过样本数量提升，呈对数型增长，所以根据你的验证码的复杂程度来确定你的训练样本数量

因为本身tesseract的识别精度很低，所以很有必要进行训练

验证码：是由背景图片和字符图片复合而成，训练的时候我们要告诉每个验证码样本里，字符的位置（上下左右四个参数）和字符的值

定位元素的位置：

  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。

1.采集样本，通过python图片循环抓取写入，写入的时候把图片命名为   .tif  结尾

def data_sear():
    if not os.path.exists('samples'):
        os.makedirs('samples')
    for i in range(1,351):
        result = urllib2.urlopen("http://。。。。网址。。。").read()
        file1 = open('samples/result%d.tif'%i,'wb')
        file1.write(result)
        file1.close()

2.合并 tif（为了方便通过软件产生每个元素的位置）

打开jtessboxeditor，点击Tools->Merge Tiff ，按住shift键选择前文提到的101个tif文件，并把生成的tif合并到新目录下，命名为langyp.fontyp.exp0.tif。

注意：langyp 是本人定义的语言名称，fontyp是本人定义的字体名称，后续都会用到，你可以修改成你喜欢的名字。

         遇到warning没有关系

3.生成box文件（每个元素的位置）

执行命令生成langyp.fontyp.exp0.box文件

tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 batch.nochop makebox

4，软件识别的错误很多，我们要自己处理box文件

切换到jTessBoxEditor工具的Box Editor页，点击open，打开前面的tiff文件langyp.fontyp.exp0.tif，工具会自动加载对应的box文件。

检查box数据，如下图所示，数字8被误认成字母H，手工修改H成8，并保存。

注意：修改：选中要修改的元素，点击右上角character》》后面的》》，会出现参数，在这里面修改，通过上下左右可以连续增减参数

           下面的page，每个page就是你的每个验证码，你验证码的数量和page不一样，是应为一些识别不了的空白，这个软件略过了

            记得要及时点击上面的save按钮，保存

5.生成font_properties(告诉tesseract，你的box语法)

执行echo命令生成font_properties。

echo fontyp 0 0 0 0 0 >font_properties

也可以手工新建一个名为font_properties的文本文件（注意该文件没有扩展名），内容为字体名fontyp，后面带5个0，分别代表字体的粗体、斜体等属性，这里全部是0

6.生成训练文件

执行命令，生成langyp.fontyp.exp0.tr训练文件

tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 nobatch box.train

7.生成字符集

执行命令，生成名为unicharset的字符集文件。

unicharset_extractor langyp.fontyp.exp0.box

8.生成shape文件

执行命令，生成shape文件

shapeclustering -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr

9.生成聚集字符特征文件

执行命令，生成3个特征字符文件，unicharset、inttemp、pffmtable

mftraining -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr

10.生成字符正常化文件

执行命令，生成正常化特征文件normproto。

cntraining langyp.fontyp.exp0.tr

11.更名

执行命令，把步骤9，步骤10生成的特征文件进行更名。

rename normproto fontyp.normproto
rename inttemp fontyp.inttemp
rename pffmtable fontyp.pffmtable
rename unicharset fontyp.unicharset
rename shapetable fontyp.shapetable

12.合并训练文件

执行命令，生成fontyp.traineddata文件。

combine_tessdata fontyp.

注意：

a、fontyp.traineddata文件最终要拷贝tesseract安装目录的tessdata目录下，才能被tesseract找到。

b、命令行最后必须带一个点。