使用Tesseract-OCR识别图片上的中文

     本文基于Mac系统测试，Windows系统请参考其GitHub网站上的编译说明进行使用。

在GitHub上下载最新版本的Tesseract，目前最新是3.05.01，注意，对中文识别的支持需要版本3.0以上:

    

    下载好tesseract解压后，目录结构如下:

    

    可以看到，功能可以移植到android平台上，使用的是jni的方式，这里后面再尝试了。

    安装依赖库，这里使用的是homebrew安装的方式：brew install automake autoconf autoconf-archive libtool pkgconfig icu4c leptonica gcc

    

    安装好依赖库后，进入tesseract根目录：

按照提示，继续下一步:

./configure CC=gcc CXX=g++ CPPFLAGS=-I/usr/local/opt/icu4c/include LDFLAGS=-L/usr/local/opt/icu4c/lib

报如下错误：

囧~居然还不支持当前系统版本，目前brew下载的最高是1.72版本，但是要求1.74版本，因此，brew remove liptonica，采用手动下载源码的方式来安装这个依赖，现在去下载1.74.2版本的，下载解压后目录结构如下:

为了生成configure文件，这里先执行"./autobuild"脚本:

完成后，执行"./configure"，从而生成makefile文件:

然后执行"make && make install"即可，接着，导出环境变量，也可以通过修改"~/.bash_profile"永久修改:

安装完成Leptonica1.74版本后，进入tesseract根目录：

执行完，执行configure生成makefile文件:

 

然后执行"make && make install"即可。

如果要生成训练工具，用于对文字识别进行训练，还可继续执行："make training && make training-install"即可。

重启命令行终端，如下输出即安装成功tesseract:

下面使用一张图片来试下识别效果怎样，为了识别中文，还需要中文字库，去百度找到下载即可：

解压后把字库拉到一个文件夹先，先测试功能行不行，按照命令行提示操作，包如下错误：

原来字库是要放到/usr/local/share/tessdate下，看看那里现在有什么：

现在把下载的中文字库放到这个目录下：

现在来试试识别这张图片:

命令如下：(也可通过java代码方式调用，有库tess4j可以使用，具体可以了解下，其源码地址：http://sourceforge.jp/projects/sfnet_tess4j/)

“-l”参数说明使用的语言包，这里使用刚刚下载的chi_sim包, “1.png”是要检测的图片部分，图片最好预选使用其他工具，如OpenCV切割到只剩下文字部分，否则识别不出来，result是输出结果，默认后缀名就是txt了。

识别结果如下：

"名'"这个字识别不了。

---------------------------------------------------

下面来训练一下，下载jTessBoxEditor，它需要Java环境的支持，这里我下载1.7.3版本的:

        

下载完成解压后目录如下：

准备几张图片来进行识别的图片库，如下：

这里的三张图片其实是一样的，复制而已，偷下懒，其实可以自己从不同角度拍照获取作为识别，这样后期的识别精度更高。

运行jTessBoxEditor:

注意，图片需要是tiff格式，用于后面生成box文件，还有一点，图片的命名有要求：[lang].[fontname].exp[num].tiff，lang是语言，fontname是字体，num是编号，现在需要训练自定义字库name字体名为jim，则命名为: name.jim.exp0.tiff，最后修改为如下：

进入jTessBoxEdtior，选择菜单栏如下：

弹出如下窗口，选择我们的三张图片，然后输入名称，点击"Save":

合并后的图片如下：

接下来，生成BoxFile文件：(为了便于测试，我们复制刚刚的一份字库，命名为chi_jim),如下：

生成：

现在软件切换到BoxEditor界面：

然后打开刚刚合并的tif图片文件：

我们手动修改错误的地方，合并“禾”与“斗”，结果如下，然后点击"Save"保存矫正后的数据：

现在就进行训练，生成了tr后缀的文件：

生成unicharset文件：

新建文件：

文件内容为：

继续执行如下命令：

1. 

2. 

3. 

最后目录如下：

现在将unicharset、inttemp、pffmtable、shapetable、normproto这5个文件前面都加上"normal.":如下：

最后，生成训练结果文件：

把这个文件拷贝到字库路径下，并重新识别一次看看效果怎样，可以看到，训练后识别都正确了：

后面就是根据需要，不断完善自己的语言识别库了，步骤也类似这样去进行处理。