tesseract简单介绍和训练

Python--图片文字识别--Tesseract

1、tesseract介绍

Tesseract，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）库，目前由谷歌赞助，它可以通过训练识别出任何字体，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；

2、tesseract安装

     我们可以百度tesseract，就会有安装包，基本上稍微之前的版本是3.02版本，不过大多的是现在使用的3.05版的，但是最新的是4.00,相对来说，3.05比较稳定，在这里，我安装的是3.05版本的。现在安装教程还蛮多的，大家可自行百度，找一份适合自己情况的教程。推荐 https://www.cnblogs.com/jianqingwang/p/6978724.html

记得配置好环境变量啊！

3、tesseract训练

     重头戏来了，训练tesseract，什么叫训练tesseract呢？其实就是告诉tesseract正确的识别答案，让它记住。其中，有两个小工具用得到哦——jTessBoxEditor（这个是必不可少的）和TiffToy（这个很方便的）。

   首先，下载jTessBoxEditor，地址https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/；解压后得到jTessBoxEditor，由于这是由Java开发的，所以我们应该确保在运行jTessBoxEditor前先安装JRE（Java Runtime Environment，Java运行环境）。

      其次，生成目标文件，自己制作或者网上寻找一些图片，文字，字母，数字 ，就是一些验证码图片啦，看自己的需求或者喜好，生成.tif的图集。运气好的呢，就直接打开jTessBoxEditor，Tools->Merge TIFF，将样本文件全部选上，并将合并文件保存为name.tif，然而我运气并不好，总是出现错误，什么Couldn’t Seek的错误啦，什么I/O错误啦，这个时候就用到了TiffToy，把多个图形文件格式合并成一个tif文件，这个下载的话自行百度吧，万一自己运气不差呢。

      接下来，生成box文件，这个就在命令行里进行啦

tesseract name.tif name batch.nochop makebox

【语法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox  

lang为语言名称，fontname为字体名称，num为序号；在tesseract中，一定要注意格式。

打开jTessBoxEditor，BOX Editor -> Open，打开name.tif；

注意红色圈出来的地方,jTessBoxEditor是不能全部完全正确识别出来的，而且还会识别出作为干扰的点，这个时候就需要我们人为地识别啦，在图片上的数字的蓝色框是可以调整的，不准确的要我们人为自行调整。这是个繁琐的事情，要记得不是只识别一张图片呦。

在目标文件夹内生成一个名为font_properties的文本文件，内容为

font 0 0 0 0

【语法】：       

fontname为字体名称，italic为斜体，bold为黑体字，fixed为默认字体，serif为衬线字体，fraktur德文黑字体，1和0代表有和无，精细区分时可使用。

tesseract why4.tif  why4   nobatch box.train

然后，生成tr文件                               tesseract name.tif  name   nobatch box.train

聚集tesseract 识别的训练文件                   cntraining name.tr

最后一步，合并相关文件，生成字典文件    combine_tessdata name4. 

这些都是在命令行里进行的哟

最后，我们就可以测试一下喽              tesseract 1.jpg 1 -l name4