tesseract使用
Tesseract是一个开源的OCR(Optical Character Recognition,光学字符识别)引擎,可识别多种格式的图像文件并将其转换成文本,目前已支持60多种语言(包括中文),github上有工程。地址为https://github.com/tesseract-ocr/tesseract。
使用
- 安装,可以安装发布版本.exe,直接可以使用
- 使用
1) 准备一副待识别的图像,input.jpg,放到tesseract-OCR的安装目录下
2)打开命令行,(如果装在C盘,用管理员身份启动),打开目录到tesseract-OCR的安装目录,输入指令tesseract.exe input.jpg output -l eng
,其中output为输出的.txt文件,eng表示识别的语言为英文。查看output可知道识别准确率不高。
训练样本
- 下载工具jTessBoxEditor,其中有个.jar文件,可以直接双击使用(由于该工具由java开发,需要安装jdk)
- 准备样本图像(至少5张),和input.jpg里的内容类似
- 合并样本图像。运行jTessBoxEditor–>Tools–>Merge Tiff,在弹出的对话框中shift选中所有样本图片,合并成num.font.exp0.tif文件。