图片识别 - TesseractOCR

      一直以来，图片识别对我来说是很高深的东西，一直未曾涉猎，有幸在Python是了解到TesseractOCR，终于有个系统的了解，这个能做什么，那就太多了，验证码识别、车牌识别、证件识别等等。

目录

软件的特点

软件的安装

命令行测试

强大在于可以学习

       学习工具jTessBoxEditor

      Tesseract训练

---

软件的特点

       一款由HP实验室开发由Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎，与Microsoft Office Document Imaging（MODI）相比，我们可以不断的训练的库，使图像转换文本的能力不断增强；如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。

软件的安装

      源码地址为：https://github.com/tesseract-ocr/tesseract

      EXE可执行文件下载地址（4.0.0）：https://download.csdn.net/download/madeinjack/10707268

      EXE安装步骤及注意：（下载后默认双击安装）

         

           上方可以选择其他语言，支持几十种语言，我选择的是第一个和中文简体及繁体，默认英文是自动安装的。

           

             由于选择了其他语言，所以会多出这个下载，你也可以不选，但选择的话需要联网下载（中文简体：>40M，繁体：>50M)。

命令行测试

       别人的文章说安装完会自动加入环境变量，我安装后并未加入，直接切换到安装目录（建议手动加入到环境变量），直接执行：tesseract，显示下图表示安装完成：

         

    准备一张图片如：test.png （如下图），我设置了环境变量，并将这个图片放到D盘根目录。

      

       打开D盘生成的output_1.txt发现：162408

遗憾，我上图用的是另一博客的图，他是3.x版本，6识别成了5，4.0我也安装了math包直接就识别出来了。

 

强大在于可以学习

       学习工具jTessBoxEditor

             配套训练工具 jTessBoxEditor 来训练样本，特别用于验证码的识别。

      Tesseract训练

                训练的思路是：1、安装jTessBoxEditor > 2、获取样本文件 > 3、Merge合并样本文件 > 4、生成Box文件 > 5、定义字符配置文件 > 6、字符矫正 > 7、执行批处理文件 > 8、将生成的trainegddata放入tessdata中。

                总结：根据范本生成一个语言包，转换时可指定这个语言包即可。