tesseract-OCR 注意事项

一：设置白名单:让tesseract-OCR只识别指定内容

有时我们需要用tesseract-ocr只识别指定类型的数据,如:仅识别英文字母或数字。此时可设置白名单，让tesseract-ocr只输出我们需要的结果。
1.打开tesseract-ocr安装路径下的tessdata/configs/digits文件，可以看到里面有一个tessedit_char_whitelist，将其设置成我们需要得到的识别结果。
如：tessedit_char_whitelist ABCD
2.在调用命令时，需要加上我们设置的文件名：tesseract xxx.png outfilename -psm 6 digits
注：
tesseract提供了OCR引擎模式。有如下四种
0 =仅限原始Tesseract
1 =只有神经网络LSTM
2 =Tesseract + LSTM
3 =基于可用的默认值
目前LSTM是无法支持白名单的

我们需要选择第0种模式，指令如下：

tesseract --oem 0 1.png outfileName digits
注意:使用第0种模式会降低识别准确率
 

二。下载地址：

https://digi.bib.uni-mannheim.de/tesseract/

三。中文包问题

安装过程选择安装中文包失败，并且有些网址失败，需要下面地址和方式下载（不能用迅雷）。下载后chi_sim.traineddata放到安装目录C:\Program Files\Tesseract-OCR\tessdata 下

下载地址：https://github.com/tesseract-ocr/tessdata/blob/master/chi_sim.traineddata

四。命令行介绍 

tesseract test.jpg test.txt -l chi_sim+eng -psm 7 --oem 1 

-l chi_sim+eng 指定中文字库和英文字库

-psm 7 表示告诉tesseract code.jpg图片是一行文本这个参数可以减少识别错误率. 默认为 3。自己测试好像是一样的

             默认的tesseract将一个图片当成一个文档来看。如果只需要指定的区域可以使用不同的分割模式，使用psm参数

            参考：https://blog.csdn.net/claroja/article/details/82992643

--oem 1 --oem 后面的参数 1代表用lstm引擎识别, 0表示用传统引擎识别

configfile 参数值为tessdata\configs 和 tessdata\tessconfigs 目录下的文件名.

通过这些操作可以将很大的提高识别的准确率,但是由于识别引擎自身限制,对中文识别并不友好,识别率依然没有达到我所需要的程度.
接下来要做的:
1.通过对已有的图片进行训练,但官方给的LSTM模式训练的操作还没有吃透,传统方式训练对识别率提高不大
2.尝试理解其内部的原理,并尝试加入自己理解(好像不大可能毕竟别人花了10年才写出来 笑哭)问题还有就是在于并没有多少资料,只有没有多少注释的源码,预计会花费很多的时间

五。python 调用方式

快速开始

1. try:

2. import Image

3. except ImportError:

4. from PIL import Image

5. import pytesseract

6. ＃如果PATH中没有tesseract可执行文件，请包含以下内容：

7. pytesseract.pytesseract.tesseract_cmd = r'<full_path_to_your_tesseract_executable>'

8. ＃示例tesseract_cmd = r'C：\ Program Files（x86）\ Tesseract-OCR \ tesseract'

9. ＃简单的图像串

10. print(pytesseract.image_to_string(Image.open('test.png')))

11. ＃法语文本图像串

12. print(pytesseract.image_to_string(Image.open('test-european.jpg'), lang='fra'))

13. ＃获取包围盒估计

14. print(pytesseract.image_to_boxes(Image.open('test.png')))

15. ＃获取详细的数据，包括盒，置信线和页码

16. print(pytesseract.image_to_data(Image.open('test.png')))

17. ＃获取有关方向和脚本检测信息

18. print(pytesseract.image_to_osd(Image.open('test.png'))

19. ＃为了绕过内部图像的转换，只需用相对或绝对图像路径

20. ＃注：如果你不使用支持的图像，正方体将返回错误

21. print(pytesseract.image_to_string('test.png'))

支持OpenCV image / NumPy数组对象

1. import cv2

2. img = cv2.imread(r'/<path_to_image>/digits.png')

3. print(pytesseract.image_to_string(img))

4. ＃或显式转换预先

5. print(pytesseract.image_to_string(Image.fromarray(img))

如果您有tessdata错误，请添加以下配置：“打开数据文件时出错......”

1. tessdata_dir_config = r ' - tessdata-dir“<replace_with_your_tessdata_dir_path>”'

2. ＃示例config：r' - tessdata-dir“C：\ Program Files（x86）\ Tesseract-OCR \ tessdata”'

3. ＃添加双引号很重要在dir路径附近。

4. pytesseract.image_to_string(image, lang='chi_sim', config=tessdata_dir_config)

功能

• get_tesseract_version返回系统中安装的Tesseract版本。
• image_to_string将图像上的Tesseract OCR运行结果返回到字符串
• image_to_boxes返回包含已识别字符及其框边界的结果
• image_to_data返回包含框边界，置信度和其他信息的结果。需要Tesseract 3.05+。有关更多信息，请查看Tesseract TSV文档
• image_to_osd返回包含有关方向和脚本检测的信息的结果。

参数

image_to_data（image，lang = None，config =''， nice = 0，output_type = Output.STRING）

• image Object，PIL Image /由Tesseract处理的图像的NumPy数组
• lang String，Tesseract语言代码字符串
• config String，任何其他配置为字符串，例如：config =' - psm 6'
• nice Integer，修改Tesseract运行的处理器优先级。Windows不支持。尼斯调整了类似unix的流程的优点。
• output_type Class属性，指定输出的类型，默认为string。有关所有支持类型的完整列表，请检查pytesseract.Output类的定义。

六。4.0 新功能引擎-Lstm深度学习的识别引擎

Tesseract4.0后支持双识别引擎：Lstm深度学习的识别引擎+传统引擎。这样能够使得未训练情况下也能得到较高的识别度

七。把网页上采集的图片不存到本地直接在内存中识别

使用image = BytesIO(response.content)转换为流数据

八。解决tesseract不识别最左侧字符的问题及指定白名单

参数中加上config="--psm 6 --oem 3 -c tessedit_char_whitelist=0123456789"

九。-psm的说明

在网上找到了0-10项的中文说明(另外几项没找到...)，如下：
0：定向脚本监测（OSD） 
1： 使用OSD自动分页 
2 ：自动分页，但是不使用OSD或OCR（Optical Character Recognition，光学字符识别） 
3 ：全自动分页，但是没有使用OSD（默认） 
4 ：假设可变大小的一个文本列。 
5 ：假设垂直对齐文本的单个统一块。 
6 ：假设一个统一的文本块。 
7 ：将图像视为单个文本行。 
8 ：将图像视为单个词。 
9 ：将图像视为圆中的单个词。 
10 ：将图像视为单个字符。

十。训练注意事项

tesseract OCR训练新字体对图片的预处理和要求

同tesseract OCR识别对图片有要求一样，在训练新的字符集或新的字体时，对图片也有一定要求，符合要求的图片，能大大提高训练的效率。

在图像处理方面，去除噪声，使训练的字符图片尽量连贯、清晰。

其他方面，通常的要求如下：

1. 在一幅图片内，字体统一，决不能将多种字体混合出现在一幅训练图片内；如果不是通过扫描文本获取的字符图片，这个条件很容易被忽视。

2.  理想条件下，同种字体的字符图片集中到一幅大的训练图片中，在同一页内；

3. 要保留一定的字符间距与行间距；

4. 字符高度（大小），只要满足高度最小条件即可，对于小写字符x，其高度要至少大于10个像素；

5. 对于非字母字符，如!@#$%^&(),.{}<>/?，不要集中在一起出现，原因是这样不利于tesseract找出 文本行基线baseline，不利于文本高度及大小的检测，baseline检测是tesseract engine的第一步；

6. 一般每个字符需要10个样本，高频常见字符至少20个样本，不常见字符需要5个样本；

7. 对于同种字体，多页训练图片，可以在训练中，件用相同的方式合并tr文件和box文件，两类文件内的字符次序要相同，利于提高训练效果。

在获取训练字符图片方面，不一定非要从待识别图片中收集，可以利用word字符集找到对应字体，打印，扫描，获取训练图片，简单、方便。这个根据实际情况来应用。

十一 设置黑白名单

设置字符白名单(只有大小写字母)：

# tesseract c.png out -psm 7 -c tessedit_char_whitelist='ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz'
设置字符黑名单(不含数字)：

# tesseract c.png out -psm 7 -c tessedit_char_blacklist='0123456789'