Tesseract-OCR使用 jTessBoxEditor 进行训练及python调用

密码小丑

已于 2024-05-31 16:07:49 修改

阅读量892

点赞数 10

文章标签： ocr

于 2024-05-31 16:07:47 首次发布

本文链接：https://blog.csdn.net/m0_74736832/article/details/139350333

版权

Python-tesseract 是 python 的光学字符识别（OCR）工具。也就是说，它将识别并“读取”嵌入在图像中的文本。

1、下载安装 jTessBoxEditor和tesseract-ocr

我下载的是jTessBoxEditor-2.2.0版本的，里面自带tesseract-ocr。

两种下载的地方都行

阿里云盘分享提取码: 47oh

或者各位可以去官网下载jTessBoxEditor: VietOCR - Browse /jTessBoxEditor at SourceForge.net

下载完成之后解压

里面有tesseract-ocr。

所以我们需要配置环境变量，右键此电脑图标，点击属性。

再点击高级系统设置.

在系统环境变量path路径下添加tesseract-ocr文件夹的路径。

之后在新建字库tessdata的系统变量，变量名为：TESSDATA_PREFIX
变量值为：E:\jTessBoxEditorFX\tesseract-ocr\tessdata，这个是例子，具体是你们自己的文件夹路径。

字库的训练图片格式最好是png的，注意图片数字周围的空白区域不能太窄，tesseract无法识别空白区域太窄的字符。

这个我是用某个网站的验证码脚本生成的

打开jTessBoxEditorFX.jar，打开这个的前提是要下载java环境，网上的话java环境配置一大堆，这里我就不讲了，只要你有java环境的话直接打开就行了。

选择 Tools -> Merge TIFF，打开对话框，选择训练样本所在文件夹，并选中所有要参与训练的样本图片。

直接ctrl +A全选了，注意文件类型，选取自己使用的文件类型，不然显示不出来。

选好了之后，点击打开按钮，出现文件保存对话框，输入文件名：num_1.font.exp0.tif

保存在自己想放的位置。

2、使用tesseract生成.box文件

进入刚才存储num_1.font.exp0.tif文件所在目录，进入终端模式。

tesseract num_1.font.exp0.tif num_1.font.exp0 –l eng batch.nochop makebox

读取不出图片。

但是有些人可能会出现我这种情况，网上很多都没写，研究了很久之后才解决，浪费了我很多时间，所以我才想写这一篇文章，同时也记录一下问题。

tesseract num.font.exp0.tif num.font.exp0 -l eng  --psm 11 batch.nochop makebox

这里加上了--psm参数，以下是psm参数的一些作用

PSM 0 - Orientation and script detection (OSD) only: 仅检测文本方向和脚本，不执行 OCR 识别。
PSM 1 - Automatic page segmentation with OSD: 使用方向和脚本检测的自动页面分割。这是默认模式。
PSM 2 - Automatic page segmentation, but no OSD, or OCR: 自动页面分割，但不进行方向检测和 OCR 识别。适用于单一方向的文档。
PSM 3 - Fully automatic page segmentation, but no OSD: 完全自动页面分割，但不进行方向和脚本检测。
PSM 4 - Assume a single column of text of variable sizes: 假设文本为单列，文本大小可变。
PSM 5 - Assume a single uniform block of vertically aligned text: 假设文本为单一块，垂直对齐的文本。
PSM 6 - Assume a single uniform block of text: 假设文本为单一块，统一大小的文本。
PSM 7 - Treat the image as a single text line: 将图像作为单行文本处理。
PSM 8 - Treat the image as a single word: 将图像作为单个单词处理。
PSM 9 - Treat the image as a single word in a circle: 将图像作为圆圈中的单个单词处理。
PSM 10 - Treat the image as a single character: 将图像作为单个字符处理。
PSM 11 - Sparse text. Find as much text as possible in no particular order: 稀疏文本，尽可能多地查找文本，无特定顺序。
PSM 12 - Sparse text with OSD: 带有方向和脚本检测的稀疏文本。
PSM 13 - Raw line. Treat the image as a single text line, bypassing hacks that are Tesseract-specific: 处理原始文本行，绕过特定于 Tesseract 的修正。

这里选用psm 11的原因我认为图片识别的时候认为我文本太稀疏，识别不出图片内容。

正常生成。

使用jTessBoxEditor调整.box训练文件.box文件中记录了每个字符在图片上的位置以及识别出的内容，但是我们需要对里面的内容进行修改，毕竟有些识别不是很准确。

对每张图片的识别字符和识别框进行纠正，如果字符识别错了，我们就改成正确的，如果识别出现偏差，我们也要进行调整。

打开进行手动调整

图片识别出4811。肯定是错的。

这种只要调整识别的数字就行了，接下来这个需要调整识别框的大小。

split分割，insert插入框，delete删除框。

X和Y调整位置，W和H调整宽度和高度。

这样就调整好了，每个都要有错误都要调整一下。搞完之后要save一下。每个图片都要处理一下。

3、创建一个文件创建字体特征文件

在刚才文件夹内右键新建一个txt文件输入

font 0 0 0 0 0

表示字体 font 的粗体、倾斜等共计5个属性全都设置为0。保存好之后吧txt后缀名去掉。文件名为font_properties。

4、使用tesseract生成num.font.exp0.tr训练文件

tesseract num.font.exp0.tif num.font.exp0 nobatch box.train

还是错的，还是得加上--psm11.。

tesseract num.font.exp0.tif num.font.exp0 --psm 11 nobatch box.train

生成成功。

5、生成字符集文件

unicharset_extractor num.font.exp0.box

执行之后在当前目录生成unicharset文件。

6、生成数据字典

mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr

cntraining num.font.exp0.tr

改名字。

需要手动修改名称，这里我们修改成num.inttemp、num.pffmtable、num.normproto、num.shapetable。

7、合并数据文件，生成字库文件。

combine_tessdata num.

生成字库文件。把字库文件放到F:\jtessboxeditor\jTessBoxEditor\tesseract-ocr\tessdata。

文件路径写自己的。

输入命令：

tesseract --list-langs

tesseract 3.png stdout -l num --psm 11

试看看。

基本全部正确。

tesseract-ocr也可以当做接口使用。

8、tesseract-ocr接口python使用。

pip install pytesseract

第一种方法：

下载pytesseract库。下载好了之后去python库文件地方修改pytesseract.py

‘

’

cmd修改成自己tesseract文件夹的位置。

接下来就可以使用了。

使用例子：

import pytesseract
import cv2
from PIL import Image
import os

def recognize_text(input_path):
    #调整图片宽高
    def resize_image(input_path, output_path, scale_factor, interpolation=cv2.INTER_CUBIC):
        # 读取输入图像
        img = cv2.imread(input_path)
        # 如果图像读取失败，则返回错误消息
        if img is None:
            print("无法读取输入图像，请检查文件路径！")
            return
        # 获取输入图像的高度和宽度
        height, width = img.shape[:2]
        
        # 根据缩放因子计算输出图像的大小
        new_width = int(width * scale_factor)
        new_height = int(height * scale_factor)
        
        # 调整图像大小
        resized_img = cv2.resize(img, (new_width, new_height), interpolation=interpolation)
        
        #删除原本图像
        os.remove(input_path)
        # 保存调整后的图像
        cv2.imwrite(output_path, resized_img)
        print("已保存调整大小后的图像：", output_path)
    output_path = input_path
    resize_image(input_path,output_path, 6)
    image=Image.open(input_path)
    configdigit='--psm 11' #参数配置
    text=pytesseract.image_to_string(image,lang='num',config=configdigit)  #选用自己的训练的数据集num
    return text #返回识别结果

这个的话我有对输入进去的图片进行处理，我那个图片太小了，得把他调大。主要使用都是最后的几行。

第二种改进方法是：

每次在代码中加入以下代码，指明tesseract_cmd命令的位置，方便pytesseract调用：

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

密码小丑

关注

10
点赞
踩
16

收藏

觉得还不错? 一键收藏
打赏
0
评论
Tesseract-OCR使用 jTessBoxEditor 进行训练及python调用

Python-tesseract 是 python 的光学字符识别（OCR）工具。也就是说，它将识别并“读取”嵌入在图像中的文本。
复制链接

扫一扫