Tesseract OCR识别小结

由于业务场景需要，需要接入OCR图像识别功能，记录一下经过几天的研究过程。

1、项目主页

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

基本上涵盖了所有内容，download、wiki尤其重要，上面有许多知识

2、安装

http://code.google.com/p/tesseract-ocr/downloads/list下载exe安装程序安装即可；

3、字库训练

由于OCR识别必须要有字库，google提供了需要语言的字库，在download页面中，用于识别中文的字库tesseract-ocr-3.02.chi_sim.tar.gz非常不好用，识别率极低，因此需要自建字库训练。

具体流程如下：

（3-1）生成tif+box模板；

tif为字库图片，本文模板：vie.arial.exp0.tif，见附件；

box文件为字库描述文件，本文模板：vie.arial.exp0.box，格式为：

0 102 4857 122 4889 0
1 134 4857 147 4889 0

2 159 4857 180 4889 0

3 188 4857 205 4889 0

box文件会划定一个图片的矩形区域，指明其描述的含义：

[字符含义] [minx] [miny] [maxx] [maxy] [page_num]

核心思想是：通过tif图片生成图形，用box文件描述图形，共同生成模板。

（3-2）JTessBoxEditor自动化工具

从第一步可以看出，训练字库有一定成本，我们需要生成一个tif图片。然后还要用Tesseract生成对应的box文件。为了保证box文件正常，还需要手动编辑box文件，对其进行纠正。因此就有了JTessBoxEditor的产生，项目主页：

http://vietocr.sourceforge.net/training.html

有3大功能：

1、合并多个tif文件；

2、图形化纠正box文件；

3、根据文字，自动生成tif文件+box文件；

目前主要用到第3个功能。可以直接运行jar包执行JTessBoxEditor。推荐直接使用JTessBoxEditor提供的api接口：

        TiffBoxGenerator generator = new TiffBoxGenerator(text,font,5000, 5000);

        generator.setOutputFolder(new File("D:\\workspace\\demo\\test2"));
        generator.setFileName("vie.arial.exp0.tif");
        generator.setTracking((float) 0.1);
        generator.create();

指明需要生成的文本内容，字体，图片宽、图片高，run即可；

（3-3）编辑vie.font_properties

指明字体支持的类型，例如改字体是否支持“粗体”、“斜体”、“下划线”等，本例默认不支持，内容如下，文件见附件：

arial 0 0 0 0 0

（3-4）训练

具体训练脚本资料较多，不再论述，原理见：
http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3

本例提供一个train.bat文件，将vie.arial.exp0.tif、vie.arial.exp0.box、vie.font_properties、train.bat放在同一目录，执行train.bat即可

将生成的字库vie.traineddata复制到tessdata下

（3-5）识别

执行

tesseract.exe  in_put out_put -l vie 即可

-l vie 表明使用vie.traineddata字库

4、参数配置

tesseract.exe  in_put out_put -l vie my_config

表明加载my_config配置文件，tesseract提供了多大600+配置项，每个具体配置项作用：

http://www.sk-spell.sk.cx/tesseract-ocr-parameters-in-302-version

描述非常不详细，根据指点：

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

在my_config中加上：

enable_new_segsearch 0 

可以解决一个中文字符被识别成两个的问题

加上：

tessedit_write_images  1

在执行识别后，可以看到二值化的图片:tessinput.tif

其他参数明显作用暂时未知；

5、ViewerDebugging

具体功能：

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

在win32上使用遇到一只报：

waiting for server的问题，解决方法如下：

1、下载piccolox-1.2.jar、piccolo-1.2.jar ，看清楚了。是

piccolox-1.2.jar、piccolo-1.2.jar中

2、

2、I Run “new ScrollView().main(new String[]{"8461"});” in IntelliJ ，and add “piccolox-1.2.jar” and “piccolo-1.2.jar” as library;

3、Than I run "tesseract phototest.tif test1 segdemo inter",the  ViewerDebugging  is showed;