python OCR Tesseract 训练

Ps：Tesseract识别英文和字母效果好

中文的话，虽然有训练数据也可以识别，但是效果不是很好

Tesseract的安装和使用：

1.首先用 pip 下载包

pip install tesseract

这时还没法直接用，还要下载一些东西

2.tesseract

我下载的是5.0 64位的版本

3.配置环境变量

把上面下载的Tesseract-ocr的目录添加到Path中

4.可以使用了

from PIL import Image
import pytesseract

text = pytesseract.image_to_string(Image.open('1.png'))
print(text)

这个函数默认是识别英文和数字的

如果想要识别中文，需要额外下载训练数据

地址我挂这里了

chi_sim 是简体中文

chi_tra 是繁体中文

把其后缀为traineddata的文件拖到Tesseract-ocr目录下的tessdata文件夹里即可

然后，pyhon 里识别中文时，还要设置 lang 属性指定语言包（也就是我们之前下载的）

from PIL import Image
import pytesseract

text = pytesseract.image_to_string(Image.open('1.png'),lang='chi_sim')
print(text)

最后，再介绍一下自己训练数据的方法

需要两个工具：

一个是 Java JDK （Java™ Platform, Standard Edition Development Kit）

拉到最下面就可以找到合适的版本了

安装完后，还要配置环境变量

新建一个变量

JAVA_HOME

路径是 JDK 的安装目录

另外一个是jTessBoxEditor

下载链接在这

安装好后，双击 jTessBoxEditor,jar 即可运行

接下来利用jTessBoxEditor开始训练

1.Tools – Merge TIFF

查看文件类型选到All Image Files

选择你要训练的图片

文件命名为：langyp.fontyp.exp0.tif

2.管理员权限cmd命令行进入上面tif的目录，用下面的指令生成box文件

tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l chi_sim batch.nochop makebox

用记事本打开box文件，查看内容

如果不空，那就不用管了

如果是空的，则需要我们手动修改一下

3.box文件内容按下面的格式修改

【你要识别的字】 【字的x坐标】【字的y坐标】【宽度】【高度】

粤 60 17 140 125

ps：上面的数字你可以随便输，到时我们可以用 jTessBoxEditor 再进行修正的

然后，打开jTessBoxEditor

4.Box Editor–open 打开前面我们 merge 的 tif 文件

单击 粤 那一行可以在右边的 X Y W H 那修改数据 齿轮图标是确认修改

框好后 Save 则可以保存box文件

5. 生成 font_properties

新建一个空文件，文件名为 font_properties 不要后缀

文件内容：

fontyp 0 0 0 0 0

6.生成训练文件

tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 nobatch box.train

7.生成字符集文件

unicharset_extractor langyp.fontyp.exp0.box 

8.生成shape文件

shapeclustering -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr

9、生成聚集字符特征文件

mftraining -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr

10、生成字符正常化特征文件

cntraining langyp.fontyp.exp0.tr

11、更名

rename normproto fontyp.normproto
rename inttemp fontyp.inttemp
rename pffmtable fontyp.pffmtable 
rename unicharset fontyp.unicharset
rename shapetable fontyp.shapetable

12、合并训练文件，生成fontyp.traineddata

combine_tessdata fontyp.

然后就可以得到自己训练的traineddata文件了

把他放到 tessdata 文件夹内就可以通过 lang 属性 使用了

文章最后

这 tesseract 识别真的不敢恭维。。。真的不好使

下面我推荐一个OCR的工具

cnocr

这个识别中文就特好使，网站里已经附带了使用教程