tesseract 3.02使用及语言库训练

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

1. 安装，可以安装发布版本.exe，直接可以使用
2. 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

1. 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）
2. 准备样本图像（至少5张），和input.jpg里的内容类似
3. 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。