使用Tesseract-OCR识别图片中的文字并生成双层PDF

识别图片中的文字并不是很困难。如果自己训练一个文字识别的深度学习程序去识别也是可以，但是太费劲。

Tesseract-OCR是一个开源的文字识别引擎，并且支持包括中文在内的多国语言。只要将语言配置上去，就可以识别对应的语言。

如果是印刷字体，识别是没有问题的，几乎是100%准确识别，一般用于识别印刷体的话是不需要再另外训练的，如果要识别手写体就需要额外的训练，这部分以后有时间再研究。

下面是项目下载地址：

源文件地址：https://github.com/tesseract-ocr/tesseract

安装文件地址：https://github.com/UB-Mannheim/tesseract/wiki

1、安装Tesseract-OCR

我们先安装测试Tesseract-OCR，看看到底是怎么使用的。

>语言包：首先下载下来，双击安装，安装过程中注意选择语言包，要勾选chinese-simple；

>配置环境变量：安装完成之后，会生成文件夹：C:\Program Files (x86)\Tesseract-OCR，将此路径添加到环境变量；

2、使用

ouput_5是文件名，如果后面有pdf则生成双层pdf，如果后面没有则生成txt。

3、页码识别

页码识别时整个页面输入识别效果不好。最好是切四个角保存成图片然后分别识别，选取有识别出来的页码。

在做页码识别的时候一开始让他生成hocr格式的，参数如下：

list<<"-l"<<"Digital1"<

这样会生成“.hocr”文件，识别效果基本上还是可以的，考虑到这里面会有box信息以及置信度，尽管解析这个html比较困难，还是做了。但是发现个位数的数字识别不到，可能是块太小？

我在做字库训练的时候，发现也是个位数的数字识别不到，在网上找到了解决方案，添加“--psm 6”参数就解决了，相当于是碎块识别吧，他不会把没有粘连的字识别为整体，而识别为不同个体。这样数字的话他也不会识别为一个整体数字，而是其中每个数字分别识别。

但是此参数添加进上述命令行参数中没有效果，可能是因为hocr格式限制。尝试用不同方法，比如txt，确实是可以识别了，但是没有box信息，无法进一步判断是有效页码还是污点。

因为他这个识别没有提供置信度，也没有提供设置置信度高于多少才识别出来的方法（阈值），而是每个污点他都会识别为数字（字库里只有数字，如果用eng或者其他的综合字库则识别效果也不好，数字都识别不好。）

所以用box来判断文字的大小方位进一步确定是否有效识别是很重要的。

如下：

list<<"-l"<<"Digital1"<<"--psm"<<"6"<

解决了页码识别的问题。

4、页码字库训练

①下载地址在这里：

https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

下载对应tesseract版本的训练器。下载之后有version文件，可以看对应的版本。

②把所有字库tif图片合并为一个多页tif

合并方法是：

选择之后马上弹窗让你填写保存的文件名称，这个交互效果不太好，以为是没选好，其实选完了。

③生成box文件，用命令行：

tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox

注意，因为我们识别不了单个的数字，因此要加个参数在这里：

tesseract num.font.exp0.tif num.font.exp0 --psm 6 batch.nochop makebox

加了个psm参数，不然在进行编辑校正的时候单个的数字无法识别到！

④新建一个文本文件，名为font_properties

内容为：

font 0 0 0 0 0

⑤打开软件【BOX Editor】> 【Open】，进行编辑：

这是进行一个校正。做好之后保存，会保存为新的box。

⑥执行生成

在本目录下创建一个文本文件do.bat，内容如下：

echo Run Tesseract for Training.. 
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train 

echo Compute the Character Set.. 
unicharset_extractor.exe num.font.exp0.box 
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr 


echo Clustering.. 
cntraining.exe num.font.exp0.tr 

echo Rename Files.. 
rename normproto num.normproto 
rename inttemp num.inttemp 
rename pffmtable num.pffmtable 
rename shapetable num.shapetable  

echo Create Tessdata.. 
combine_tessdata.exe num. 

echo. & pause

这样就生成字库了。参考了这篇文字，在此致谢：

https://blog.csdn.net/qq_40147863/article/details/82290015