Windows下Tesseract4.0识别与中文手写字体训练

一 、 tesseract 4.0 安装及使用

1. tesseract 4.0 安装

 

安装包下载地址： http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe

我在CSDN下载资源里也上传了一份： http://download.csdn.net/download/dcrmg/10021168

exe可执行文件直接安装，选择安装路径：

 

安装完成之后需要添加2个环境变量：

1. 把安装路径“C:\Program Files (x86)\Tesseract-OCR”添加到环境变量里，方便在命令行里直接调用；

2. 把语言包所在路径“C:\Program Files (x86)\Tesseract-OCR\tessdata”添加到环境变量里，变量名称为“TESSDATA_PREFIX”，不添加语言包路径的话调用tesseract识别会报如下错误：

 

 

2. 简体中文语言包下载

 

 语言包存放路径是在“C:\Program Files (x86)\Tesseract-OCR\tessdata”文件下，是一些后缀为“.traineddata”的文件，tesseract安装包里预装了英文识别语言包“eng.traineddata”，其他语言包需要下载后放到这个文件夹下。

 

简体中文语言包下载地址： https://github.com/tesseract-ocr/tessdata/find/master

名称是“chi_sim.traineddata”的是简体中文语言包，访问不了github的可以试试到这里下载： http://download.csdn.net/download/dcrmg/10021178

 

3.  tesseract在命令行里的使用

 

在命令行里输入tesseract，查看：

 

-l ： 指定识别语言

--psm： 指定识别对象属性，如果要识别的图像中文字的分布是只有一行，就是用 “--psm 7”

 

对这个图像中微软雅黑字体的中文进行识别：

 

在图像文件所在目录下启动命令提示符，输入：

 

tesseract spring1.png output_sim -l chi_sim --psm 7

 

执行之后，图像中的文字都正确识别出来了：

 

测试对这个图像中同样文字的手写字体内容进行识别效果如何：

 

结果很差，只正确识别出来3个字：

 

所以tesseract的中文语言包“chi_sim”对中文手写字体（或环境比较复杂的情况）的识别正确率不高，需要针对特定情况用自己的样本进行训练，提高识别率。

 

 

二、 jTessBoxEditor 和 java 下载安装

 

tesseract的训练需要使用到一个“.box”文件，相当于一个打标文件，记录了对应图片上各个文字的内容和位置，这个.box文件可以使用 “jTessBoxEditor”（这个东西是本人遇到过的有史以来最惨绝人寰、最惨无人道、最罄竹难书的东东~） 这个工具来进行调整，这个鬼东西的运行依赖于Java运行时环境，所以还得安装Java虚拟机。

 

1. Java虚拟机安装

java虚拟机 百度下载地址： http://rj.baidu.com/soft/detail/10463.html?ald

或： http://download.csdn.net/download/dcrmg/10021382

 

2. jTessBoxEditor 安装 

jTessBoxEditor下载地址： https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

 

务必选择带FX的版本，才支持中文字符编辑：

 

安装包解压出来之后双击里边的“jTessBoxEditor.jar” （或者双击该文件夹下的 “train.bat” 脚本文件），如果前边安装了Java虚拟机，一般会弹出来如下对话框，选择 “Java(TM) Platform SE binary” 就行了：

 

jTessBoxEditor 打开之后长这个样子：

 

 

三、 使用 tesseract && JTessBoxEditor 执行手写体图片样本训练

 

1.  样本图片准备

理论上训练样本数量越多越好，这里作为训练流程的演示，对以上测试图片 “长花短草 贴河而立” 里边的8个字分别只准备了2种手写字体样本，如下：

 

截取的样本图片中最好不要有10个以上的字符样本，特别是在背景复杂的情况下，因为正常情况下tesseract分割出来的各个字符的位置和大小是不对的，需要使用jTessBoxEditor这个惨绝人寰的工具进行调整，单张图片中有过多的字符需要调整在jTessBoxEditor中的难度是成几何倍数增长的，Try it……

旧版的jTessBoxEditor只能处理后缀为 “.tif” 的图片，上文下载链接中提供的是2.0版本，可以处理 GPEG、PNG、BItmap等几乎所有格式的图片，不再需要对样本进行 “.tif” 格式的转化了。

以上2张训练图片分别命名为： spring1.PNG、spring2.PNG，存放路径在 “D:\CSDN\1014\samples” 下。

 

2.  使用 jTessBoxEditor 生成 训练样本的 “合并”(Merge)图片

 

打开 jTessBoxEditor ，选择 Tools -> Merge TIFF，打开对话框，选择训练样本所在文件夹，并选中所有要参与训练的样本图片，注意对话框中“文件类型”的选取：

 

点击 “打开” 之后弹出保存对话框，还是选择在当前路径下保存，文件命名为 “chi_my.font.exp0.tif” ，格式只有一种 “TIFF” 可选:

 

点击 “保存” 之后在指定路径下生成所有样本的 “合并” 图片 chi_my.font.exp0.tif

 

3. 使用 tesseract 生成 .box 文件

 

在上一步骤中生成的 “chi_my.font.exp0.tif” 文件所在路径下打开命令行程序，执行以下命名：

 

tesseract chi_my.font.exp0.tif chi_my.font.exp0 -l chi_sim batch.nochop makebox

执行后在当前路径下生成 “chi_my.font.exp0.box” 文件

 

4. 使用 jTessBoxEditor 调整 .box 训练文件

 

“.box” 文件中记录了每个字符在图片上的位置以及识别出的内容，训练之前需要使用jTessBoxEditor调整字符的位置和内容。

打开 jTessBoxEditor ，点击 Box Editor -> Open ，打开步骤2中生成的 “chi_my.font.exp0.tif” ，会自动关联到 “chi_my.font.exp0.box” 文件：

 

 

右上角红色方框内分别可以调整字符的内容、位置、宽高等，不带 “FX”版本的jTessBoxEditor还可以直接在方框内输入具体的数值，但不支持中文字符！……  带 “FX” 版本的jTessBoxEditor支持中文字符，但是竟然不可以在方框内直接输入数值，需要一下一下点击方框右边的三角框！从600点到20是常有的事！ 慢慢享受…… 

底部的红色方框内可以看到总的图片数量和当前编辑的张数，调整所有样本后点击 File -> Save as 另存为调整后的 “.box” 文件或Ctrl + S 原地保存。

5. 使用echo命令创建字体特征文件

 

在终端中执行以下命令：

 

echo font 0 0 0 0 0>font_properties

 

 

执行完成之后，在当前文件夹下生成font_properties文件

 

也可以手动在该文件夹下建立一个名为 “font_properties” 的文件，这个文件没有后缀名称，输入内容 “font 0 0 0 0 0” ， 表示字体 font 的粗体、倾斜等共计5个属性全都设置为0

注意 ： 这里输入的 “font” 名称必须与 “chi_my.font.exp0.box” 中两个点号之间的 “font” 名称保持一致。

 

在tesseract训练语言包的过程中，jTessBoxEditor的作用就是调整（位置和内容）tesseract生成的 “.box”文件，这个文件中列出了每个字符在图片上的位置以及内容。

 

6. 使用 tesseract 生成 chi_my.font.exp0.tr 训练文件

 

在终端中执行以下命名：

tesseract chi_my.font.exp0.tif chi_my.font.exp0 nobatch box.train

 

 

执行后在当前文件夹下生成 chi_ym.font.exp0.tr训练文件。

7.  生成字符集文件

 

在终端中执行以下命令：

 

unicharset_extractor chi_my.font.exp0.box

 

 

执行之后在当前文件夹下生成 “unicharset” 文件。

 

8. 生成字典数据

 

 

在终端中依次执行以下两条命名：

 

mftraining -F font_properties -U unicharset -O chi_my.unicharset chi_my.font.exp0.tr

 

cntraining chi_my.font.exp0.tr

 

 

 

生成之后手工修改 Clustering 过程生成的 4 个文件（inttemp、pffmtable、normproto、shapetable）的名称为 [lang].xxx。这里改为 chi_my.inttemp、chi_my.pffmtable、chi_my.normproto、chi_my.shapetable。

 

 

 

9. 合并数据文件

 

在终端中执行以下命令：
 

combine_tessdata chi_my.

 

 

Log 输出中的 Offset 1、3、4、5、13 这些项不是 -1 ，表示新的语言包生成成功。

将生成的 “chi_my.traineddata” 语言包文件拷贝到 tessdata 目录下，就可以用它来进行中文字符识别了。

 

10. 验证训练生成的语言包

 

在终端中输入：

 

tesseract spring1.PNG result -l chi_my --psm 7

 

使用 “chi_sim” 语言包只可以正确识别3个字，使用新训练生成的 “chi_my” 都可以正确识别了：