OCR技术探讨(一)
[作者：令狐冲]
原文标题：OCR工具对比与tesseract简明教程
原文链接：OCR工具对比与tesseract简明教程 - 知乎
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
OCR工具对比与tesseract简明教程
令狐冲
在机器学习门口徘徊的迷途小书童
一、OCR工具对比
经过预处理后，tesseract识别率达到100%，tesseract-fast错误均为人名，tesseract-best/tesseract-fast仅用LSTM。CLSTM已经年久失修，docker镜像都404了。tesseract对清晰度不高的图片识别出现很多拒识，百度OCR-API准确率还在95%以上
结论：tesseract较多人使用，有比较多资料可查，目前由google提供支持，暂定它了，优化方向：通过训练微调、想办法提速。
二、tesseract-ocr使用流程
安装
支持windows、linux，注意要安装4.0版，准确率有较大提升，安装后需要添加中文词库。
安装教程地址：https://github.com/tesseract-ocr/tesseract/wiki
中文词库地址：chi_sim.traineddata
运行
假设当前目录下有test.jpg（注意要先把pdf文件转为图片），生成的文件名是result.txt，执行如下命令：
tesseract test.jpg result -l chi_sim
其中-l代表使用的词库，chi_sim是简体中文。
tesseract生成的结果包括可搜索pdf文档（文本双层pdf）,在命令结尾加上pdf即可
tesseract test.jpg result -l chi_sim pdf
tesseract的python接口：pytesseract
pip install pytesseract
简单调用：
import pytesseractfrom PIL import Imageim=Image.open('test.jpg')print(pytesseract.image_to_string(im))
训练
所需工具：
- jTessBoxEditor
- java虚拟机
1. 根据图片生成BOX文件
tesseract myfontlab.normal.exp0.jpg myfontlab.normal.exp0 -l chi_sim batch.nochop makebox
注意图片与box文件名需保持一致，box文件格式如下
字 x坐标 y坐标 宽度 高度
2. 修正BOX文件
使用jTessBoxEditor打开图片文件修正box错误
3.进行训练
训练，生成.tr文件
tesseract myfontlab.normal.exp0.jpg myfontlab.normal.exp0 nobatch box.train
生成一个unicharset文件
unicharset_extractor myfontlab.normal.exp0.box
新建一个font_properties.txt文件，里面内容写入 normal 0 0 0 0 0 表示默认普通字体
shapeclustering -F font_properties.txt -U unicharset myfontlab.normal.exp0.trmftraining -F font_properties.txt -U unicharset -O unicharset myfontlab.normal.exp0.trcntraining myfontlab.normal.exp0.tr
在这五个文件前加上normal.进行重命名
combine_tessdata normal.
得到训练好的字库，normal.traineddata，复制到Tesseract-OCRt程序目录下的“tessdata”目录即可，使用时可以多个字库并用
tesseract test.jpg result -l chi_sim+normal
优化方向
- 图像处理(后面单列)
- 参数调整
当文字内容比较模糊不清时，按行模式来识别能够大大提高识别率和准确率，如使用默认参数，下图基本识别不出来
当把按照行切开后，使用单行识别模式，Page segmentation modes：Treat the image as a single text line
shell tesseract test_singleline.png single -l chi_sim --psm 7 #促进节约集约用地，国土资源部
识别率大大提高
- 禁用系统字符集、设置常用字典
4.0的LSTM引擎不支持常用字典、黑名单、白名单，综合来看还是4.0的LSTM识别率高。