Tesseract-OCR的训练与使用

参考：http://blog.csdn.net/yasi_xi/article/details/8763385

概述：用4幅手写数字图片为训练样本，1幅为测试样本，按下面方法得Tesseract-OCR新字库num.traineddata。最终识别结果准确率较高。

▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬▬

一 前期准备

1.下载并安装tesseract-ocr

我下载的是tesseract-ocr-setup-3.02.02.exe，安装路径为D:\Program Files (x86)\Tesseract-OCR。

尽量不安装在C盘，因为有写限制，不方便。

2.下载并解压jTessBoxEditor

jTessBoxEditor的作用：(1).将多幅图片合并成1幅.tif文件；(2).更正识别错误的字符。

jTessBoxEditor是用java写的，运行前还要安装jre(Java RuntimeEnvironment)。

3.准备训练图片和测试图片

    训练图片 1.jpg

    训练图片 2.jpg

   训练图片 3.jpg

    训练图片 4.jpg

    测试图片 test.jpg

4.合并训练图片

打开jTessBoxEditor.jar，点击菜单栏Tools→ Merge TIFF...；

选择多幅训练图片(1.jpg、2.jpg、3.jpg、4.jpg)，点击打开；

输入.tif文件名“num.font.exp0”，点击保存，得num.font.exp0.tif，存放路径为D:\train。

────────────────────────────────────────────────

二 Tesseract-OCR训练

1.打开cmd命令行，进入num.font.exp0.tif所在目录

D:
cd D:\train

2.生成box文件

得num.font.exp0.box。box文件为Tesseract识别出的字符结果及字符在图片中位置信息。在命令行输入：

tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox

注意：box文件命名有一定规则，不能随便乱取名字，命名格式为：

tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox

其中，lang为语言名称，fontname为字体名称，num为序号，3个都可以自定义。

注意：善用布局参数-psm，描述如下：

-psm N

    Set Tesseract to onlyrun a subset of layout analysis and assume a certain form of image.The options for N are:

    0 = Orientation andscript detection (OSD) only.

    1 = Automatic pagesegmentation with OSD.

    2 = Automatic pagesegmentation, but no OSD, or OCR.

    3 = Fully automatic pagesegmentation, but no OSD. (Default)

    4 = Assume a singlecolumn of text of variable sizes.

    5 = Assume a singleuniform block of vertically aligned text.

    6 = Assume a singleuniform block of text.

    7 = Treat the image as asingle text line.

    8 = Treat the image as asingle word.

    9 = Treat the image as asingle word in a circle.

    10 = Treat the image asa single character.
若图片为一行字符，可以在tesseract命令中添加"-psm 7"；若图片为一个字符，可以在tesseract命令中添加"-psm 10"；选择最合适的布局参数值，提高准确率。

3.识别结果校正

打开jTessBoxEditor.jar，点击工具栏Box Editor → Open，打开num.font.exp0.tif(必须将.box和.tif样本文件放在同一目录)；

可以看到有些字符的识别结果不正确。校正每页图片中识别错误的字符Char，校正完成后Save退出。

注意：边框不能正确框住字符时，校正X、Y、Width、Weight的值。

也可以用记事本打开box文件校正字符，每个字符信息为“字符Char、方框左下角坐标、方框右上角坐标、在tif中序号”。修改速度更快。

4.新建字体特征文件

Tesseract-OCR3.01及以上版本在训练前要创建一个名称为font_properties的字体特征文件(新建.txt文件，去掉.txt后缀，命名为font_properties)。

用记事本打开font_properties文件，输入内容并保存：

font 0 0 0 0 0

注意：font_properties文件内容格式为：

<fontname> <italic> <bold> <fixed> <serif> <fraktur>

其中，<fontname>为字体名称，必须与[lang].[fontname].exp[num].box中的[fontname]保持一致。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>表示字体属性，取值为0或1。上面全0表示不是粗体、斜体等，即这个字库的字体为普通字体。

5.生成字库文件

在命令行输入：

tesseract num.font.exp0.tif num.font.exp0 nobatch box.train  
 
unicharset_extractor num.font.exp0.box  
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr  
  
cntraining num.font.exp0.tr  

此时，在目录下生成了若干文件。把normproto、inttemp、pffmtable、shapetable这四个文件加上前缀"num."：

rename normproto num.normproto  
rename inttemp num.inttemp  
rename pffmtable num.pffmtable  
rename shapetable num.shapetable   

在命令行输入：

combine_tessdata num.  

注意：不要漏掉末尾的"."

cmd界面显示：

注意：必须确定Offset 1、3、4、5、13的数据都不是-1。否则，找出前面哪步出错或重做一遍。

得到num.traineddata，一个新的字库生成了。将num.traineddata复制到D:\Program Files (x86)\Tesseract-OCR\tessdata目录下，可以用来识别字符了。

────────────────────────────────────────────────

三 使用新字库识别图片

对比使用原字库和新字库的识别结果。在命令行输入：

tesseract test.jpg 1
tesseract test.jpg 2 -l num

其中，test.jpg为测试样本，要在当前目录下；1.txt、2.txt为识别结果。

识别结果：

   原字库识别结果

   新字库识别结果

新字库识别结果中，除了"9"识别为"7"外，其它字符都能正确识别。与原字库识别结果比较，正确率显然更高。

当然，训练样本更多时，正确率会进一步提高。