Tesseract-OCR3.0使用

    近来由于工作需要，对开源的orc引擎Tesseract做了简单的应用，需求是识别网站图片电话，如locoso、koubei、qingke800等网站

    针对不同的站点，采用不同的策略。简单的方法是只要对图片转格式（tif）后做一定比例的放大就可以识别（因站点而易），例如locoso的图片做200%的放大比例后，几乎可以100%识别。而对于koubei尝试了几个比例后，效果不是很理想，所以针对这个站点做了专门的训练语集，训练数据集的生成方法参见看参考链接，我做的训练语集对koubei可以达到99%多。另外针对不同的语言，tesseract有不同的训练语集，可以识别多国语言。

制作自定义的训练语集注意版本3.0有个bug，就是生成以tr结尾的文件中有科学计数表示的浮点数，程序处理会出错，可以手动处理，也可以写程序处理。据说3.0.1对修正这个bug。

识别时同时按照imagemagic做图片的转换，命令如下：

convert -compress none source.jpg dest.tif

convert  dest.tif -scale 200% result.tif

 

对于tesseract可以通过命令行

tesseract  result.tif result -l eng

tesseract result.tif result  -l 自定义的训练集名称

 

有问题可以留言，一起解决

 

参考链接：

http://hi.baidu.com/kuliuheng/blog/item/aae32d32216a9fcda2cc2ba1.html

http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3