借助jTessBoxEditor工具训练tesseract识别库

jTessBoxEditor工具

训练步骤

1. 准备样本图片
   准备100张验证码图片，名字后缀.png
2. 合并样本图片
   tool->Merges Till,将之前的100张图片选中，然后合并，命名为num.font.exp0.tif。
   备注：num是语言名称，font是字体名称
3. 生成box文件
   tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox
4. 修改box文件
   切换到jTessBoxEditor工具的Box Editor页，点击open，打开前面的tiff文件num.font.exp0.tif，工具会自动加载对应的box文件。
   检查box数据，将识别错误的数据进行调整和修正。逐个核对tif文件的box数据，全部检查结束并保存
5. 生成font_properties文件
   定义字体特征文件。创建一个名称为font_properties的字体特征文件。font_properties不含有BOM头，文件内容格式如下：
   fontname italic bold fixed serif fraktur
   其中fontname为字体名称，必须与[lang].[fontname].exp[num].box中的名称保持一致。italic 、bold 、fixed 、serif、 fraktur的取值为1或0，表示字体是否具有这些属性。
   这里在样本图片所在目录下创建一个名称为font_properties的文件，用记事本打开，输入以下下内容：
   font 0 0 0 0 0
   这里全取值为0，表示字体不是粗体、斜体等等
6. 生成语言文件
   通过bat脚本生成语言文件

echo Run Tesseract for Training.. 
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train 
echo Compute the Character Set.. 
unicharset_extractor.exe num.font.exp0.box 
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr 
echo Clustering.. 
cntraining.exe num.font.exp0.tr 
echo Rename Files.. 
rename normproto num.normproto 
rename inttemp num.inttemp 
rename pffmtable num.pffmtable 
rename shapetable num.shapetable  
echo Create Tessdata.. 
combine_tessdata.exe num.

7. num.traineddata便是最终生成的语言文件
8. 将num.traineddata拷贝到tessdata目录
9. python代码

import tesserocr
from PIL import Image
image = Image.open('C:\\Users\\Administrator\\Desktop\\1.png')
#lang='num' lang要和自己traineddata对应起来，
#而且需要把自己的traineddata文件放在tesseract-ocr安装目录的tessdata文件夹下才可以
#tessdata需要拷贝到python的根目录
text = tesserocr.image_to_text(image,lang='num')
print(text)