​Tesseract-OCR 3.0.1训练自己的语言库之图像文字识别

关于印刷文字识别依然是图像领域的难点问题，还有很多的单位或个人希望拥有自己的语言识别模型。近来，在各大论坛、学习交流群、后台私信等还会看到仍然有同种志群的人才再不断的加入这个领域。

小编初做文字识别方面的调研工作时，也耗费了不少精力，算个入门吧！

把当初记录在CSDN，关于如何使用tesseract-ocr训练属于自己的模型/语言库，分享至此。

希望对在这条路上摸索的小伙伴，有所帮助。

训练过程中涉及到的工具，文中都有下载链接。

以下，以训练数字0~9为例，同样可以训练汉字（前提是准备相应的符合规格的图像集。）

Tesseract是一个开源的OCR（Optical Character Recognition，光学字符识别）引擎，可以识别多种格式的图像文件并将其转换成文本，目前已支持60多种语言（包括中文）。 Tesseract最初由HP公司开发，后来由Google维护，目前发布在Googel Project上。

一、使用默认的语言库识别

1.安装Tesseract

http://code.google.com/p/tesseract-ocr/downloads/list下载Tesseract，目前版本为Tesseract3.02。因为只是测试使用，这里直接下载winodws下的安装文件tesseract-ocr-setup-3.02.02.exe。安装成功后会在相应磁盘上生成一个Tesseract-OCR目录。通过目录下的tesseract.exe程序就可以对图像字符进行识别了。

2.准备一副待识别的图像，这里用画图工具随便写了一串数字，保存为0.jpg，如下图所示：

      

3.训练。打开命令行（cmd），定位到Tesseract-OCR目录，输入命令：

   tesseract.exe 0.jpg result -l eng

   其中result表示输出结果文件txt名称，eng表示用以识别的语言文件为英文。

4.查看结果。打开Tesseract-OCR目录下的result.txt文件，看到识别的结果为7542315857，有3个字符识别错误，识别率还不是很高，那有没有什么方法来提供识别率呢？Tesseract提供了一套训练样本的方法，用以生成自己所需的识别语言库。下