ocr基础入门到毕业

ocr基础入门到毕业

1.背景

最近为了实现读取图片文字，在网上也是各种查询资料，下载软件，遇到各种坑，总结一下

相关资源下载：
https://download.csdn.net/download/u011376439/11460005

2.安装

tesseract下载地址：https://digi.bib.uni-mannheim.de/tesseract/

注意： 安装版本推荐3.05。
路过的坑1：tesseract-ocr-setup-3.02.02：在文字库合并的时候，会导致合并后字库识别出来都是空的。

1.双击运行“tesseract-ocr-setup-3.02.02.exe”tesseract ocr 中文版开始安装软件，点击“是”。

2.根据下面图片上的教程，连续点击“next”。

3.目录结构：

4.配置环境变量：

第一步：在环境变量界面的系统变量中找到Path，点击编辑，新建一个D:\Tesseract\tesseract-ocr–4.00.00dev\Tesseract-OCR（你的安装目录），然后确定。
第二步：在系统变量下面新建一个变量，然后确定。
变量名：TESSDATA_PREFIX
变量值：D:\Tesseract\tesseract-ocr–4.00.00dev\Tesseract-OCR\tessdata(安装目录下的tessdata文件夹)

5.检验环境变量是否配置成功：打开cmd命令行，在任意路径，输入“tesseract”，出现下面信息则表示配置成功。

3.tesseract-OCR初认识

-l lang
使用的语言。如果没有指定，则采用英文。可以指定多种语言，由加号字符分隔。Tesseract使用3个字符的ISO 639-2语言代码。（请参阅语言）

–psm N将Tesseract设置为只运行布局分析的一个子集并假定某种形式的图像。N的选项是：

0 =只有方向和脚本检测（OSD）。
1 =使用OSD自动分页。
2 =自动分页，但没有OSD或OCR。
3 =全自动页面分割，但没有OSD。（默认）
4 =假设一列可变大小的文本。
5 =假设一个统一的垂直排列文本块。
6 =假设一个统一的文本块。
7 =将图像作为单个文本行处理。
8 =将图像视为一个单词。
9 =将图像视为一个圆圈中的单个单词。
10 =将图像视为单个字符。

3.1 开始操作

识别图片：fw.png

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile…]

tesseract 图片名 输出文件名 -l 字库文件 -psm pagesegmode 配置文件

tesseract .\fw.png result -l chi_sim

运行成功：

打开result.txt 结果为：寮叉果命中 +10%
显然只是识别一部分而已。。。。
顺便把-psm 0-10都试了一遍，也是没有一个正确的结果。。。

3.2 开始训练自己的字库

直接看这文章就可以实现

Tesseract-OCR-04-使用 jTessBoxEditor 提高文字识别准确率

4.tesseract-OCR字库合并

训练完一个box，后续又发现新的需要训练，要是在把原来的图片在弄一遍，那就要崩溃了，幸好tesseract-OCR提供字库合并（别安装3.02的版本，会合并不了）
1.准备
先准备以下的文件，要合并的.box和.tif文件,命名规则
chi.font.exp[x].box 和 chi.font.exp[x].tif
[x]可以按序号来，方便以后合并字库
.box和.tif文件的由来，请看上一个步骤

这里的font文件内容为

fout 0 0 0 0 0

这里的box.bat内容为

tesseract chi.font.exp0.tif chi.font.exp0 nobatch box.train  
tesseract chi.font.exp1.tif chi.font.exp1 nobatch box.train

unicharset_extractor chi.font.exp0.box chi.font.exp1.box

mftraining -F font -U unicharset -O unicharset chi.font.exp0.tr chi.font.exp1.tr 
cntraining chi.font.exp0.tr chi.font.exp1.tr 


echo Rename Files..
rename normproto mlzh.normproto
rename inttemp mlzh.inttemp
rename pffmtable mlzh.pffmtable
rename shapetable mlzh.shapetable
rename unicharset mlzh.unicharset

combine_tessdata mlzh.    

pause

上面都准备好了，就可以运行box.bat文件了，结果如下


生成mlzh.traineddata 字库，就是合并后的字库了，复制到Tesseract-OCR\tessdata ，就可以试试看，新字库是否好用。。。

tesseract .\fw.png result -l chi_sim+mlzh

结果如下，合并成功