python-win10-tesseract-图像中印刷体字符识别(含字库训练)

win10安装

https://github.com/UB-Mannheim/tesseract/wiki

  1. 安装,一路点next就好
    此时默认安装在 C:\Program Files\Tesseract-OCR,我用的是下面这个:
    在这里插入图片描述
  2. pip install pytesseract

简单使用

import cv2
import pytesseract
# 下面这句一定要有。pytesseract其实是一个接口,调用的还是引擎
pytesseract.pytesseract.tesseract_cmd = r'C:\\Program Files\\Tesseract-OCR\\tesseract.exe'
import os
path = "G:\\share\\qrcode\\demo\\lib"
os.chdir(path)
img = cv2.imread('1.jpg')
# 这里可以指定语言,看 C:\Program Files\Tesseract-OCR\tessdata 里面XX.traineddata
# lang="eng"
text = pytesseract.image_to_string(img)
print(text)

训练字库

上面那种方法识别准确率差异蛮大的,因为tesseract为了兼容性,识别率有下降。因此,我们应该训练自己的字库。我需要识别的仍然是ATCG之类的字符【生信特色:)】

经本人测试,以下两种训练效果一致。简便起见,可以只用4个字符的。多字符修改起来更麻烦。
在这里插入图片描述

在这里插入图片描述

0.修改环境变量

在这里插入图片描述
Path也加入exe的路径
在这里插入图片描述

1.先存tiff文件

用G:\share\qrcode\demo\lib\train\jTessBoxEditor-2.3.0\jTessBoxEditor
tools\merge下打开一个jpg,另存为XX.tif,格式最好是XX.font.expN.tif
(jTessBoxEditor-2.3.0这个应该挺好找的,如果找不到可以私信我)

以下是命令行执行命令:

2.产生box

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

3.在jTessBoxEditor里修改字框的位置和实际值

在这里插入图片描述

4.继续命令行命令

例子里只用了一张图片,如果有多张图片要分别处理的。

tesseract gene.font.exp0.tif gene.font.exp0 nobatch box.train
#以上都是对多个文件分别进行的,下面是合并
unicharset_extractor gene.font.exp0.box
shapeclustering -F font_properties -U unicharset gene.font.exp0.tr
mftraining -F font_properties -U unicharset -O unicharset gene.font.exp0.tr
cntraining gene.font.exp0.tr

其中font_properties文件内容是:
font 0 0 0 0 0

5.把上面产生的文件都改名叫gene.XXX

在这里插入图片描述

6.产生训练数据

combine_tessdata gene.
此时会出现gene.traineddata,把它拷贝到C:\Program Files\Tesseract-OCR\tessdata下,使用时即可:

>>> text = pytesseract.image_to_string(img,lang="gene")
>>> print(text)
TCAATTTAGAAAGCT
ATGGGAACCCGCCCT
ACTCCGGGAGTGGAC
AGCGACTTACCTCGG
GTATGACTAGGTATC



TAGTGCATATTCGTA
CATTCAACGTTGCTG
GATTAAAGTCTTACC
TATCGAATTACCAGA
CGCACAACCGAGATG
>>>

原图:
在这里插入图片描述

7.现在的问题是logo区上下两块看不到,而且结果是按列读取的

考虑:切分图片,分块读取,然后合并

完整命令输出

G:\share\qrcode\demo\lib>tesseract gene.font.exp0.tif gene.font.exp0 batch.nochop makebox
Tesseract Open Source OCR Engine v5.0.0-alpha.20200328 with Leptonica
Page 1
Warning: Invalid resolution 1 dpi. Using 70 instead.
Estimating resolution as 184

G:\share\qrcode\demo\lib>tesseract gene.font.exp0.tif gene.font.exp0 nobatch box.train
Tesseract Open Source OCR Engine v5.0.0-alpha.20200328 with Leptonica
Page 1
Warning: Invalid resolution 1 dpi. Using 70 instead.
Estimating resolution as 184
APPLY_BOXES:
   Boxes read from boxfile:      16
   Found 16 good blobs.
Generated training data for 4 words

G:\share\qrcode\demo\lib>unicharset_extractor gene.font.exp0.box
Extracting unicharset from box file gene.font.exp0.box
Other case a of A is not in unicharset
Other case t of T is not in unicharset
Other case c of C is not in unicharset
Other case g of G is not in unicharset
Wrote unicharset file unicharset

G:\share\qrcode\demo\lib>shapeclustering -F font_properties -U unicharset gene.font.exp0.tr
Failed to load font_properties from font_properties

G:\share\qrcode\demo\lib>shapeclustering -F font_properties -U unicharset gene.font.exp0.tr
Reading gene.font.exp0.tr ...
Building master shape table
Computing shape distances...
Stopped with 0 merged, min dist 999.000000
Computing shape distances...
Stopped with 0 merged, min dist 999.000000
Computing shape distances...
Stopped with 0 merged, min dist 999.000000
Computing shape distances... 0
Stopped with 0 merged, min dist 999.000000
Computing shape distances... 0
Stopped with 0 merged, min dist 999.000000
Computing shape distances... 0
Stopped with 0 merged, min dist 999.000000
Computing shape distances... 0
Stopped with 0 merged, min dist 999.000000
Computing shape distances...
Stopped with 0 merged, min dist 999.000000
Computing shape distances...
Stopped with 0 merged, min dist 999.000000
Computing shape distances... 0 1 2 3
Stopped with 0 merged, min dist 0.280303
Master shape_table:Number of shapes = 4 max unichars = 1 number with multiple unichars = 0

G:\share\qrcode\demo\lib>mftraining -F font_properties -U unicharset -O unicharset gene.font.exp0.tr
Read shape table shapetable of 4 shapes
Reading gene.font.exp0.tr ...
Warning: no protos/configs for Joined in CreateIntTemplates()
Warning: no protos/configs for |Broken|0|1 in CreateIntTemplates()
Done!

G:\share\qrcode\demo\lib>cntraining gene.font.exp0.tr
Reading gene.font.exp0.tr ...
Clustering ...

Writing normproto ...

G:\share\qrcode\demo\lib>combine_tessdata gene.
Combining tessdata files
Output gene.traineddata created successfully.
Version string:v5.0.0-alpha.20200328
1:unicharset:size=387, offset=192
3:inttemp:size=120220, offset=579
4:pffmtable:size=68, offset=120799
5:normproto:size=662, offset=120867
13:shapetable:size=76, offset=121529
23:version:size=21, offset=121605

G:\share\qrcode\demo\lib>

linux安装我没成功,但是有些资料供参考

linux安装始终不可,下一步考虑编译安装的方法,看cmake文件修改

原因

因为我的lubuntu用的是libpng16,但由pip装的pytesseract需要12。libpng12.so.0已经过时了,最新的好像是16,用下面的命令搜一下看看。

ls -ld $(locate -r libpng.*\.so.*)

参考 https://jingyan.baidu.com/article/fdbd4277d625f9b89e3f482c.html

安装命令

pip install pytesseract
sudo apt-get update
sudo apt-get install tesseract-ocr
sudo apt-get install libtesseract-dev

Ubuntu 报错

dpkg: 处理归档 /var/cache/apt/archives/libpng12-0_1.2.50-1ubuntu2.14.04.3_amd64.deb (--unpack)时出错:
 无法安装 /lib/x86_64-linux-gnu/libpng12.so.0 的新版本: No such file or directory
错误信息显示本地系统有一些问题,因此没有写入 apport 报告
                                                        在处理时有错误发生:
 /var/cache/apt/archives/libpng12-0_1.2.50-1ubuntu2.14.04.3_amd64.deb
E: Sub-process /usr/bin/dpkg returned an error code (1)

我试过:拷贝法无用、添加中科院源法无用、fix --install那个也无用
sudo cp /mnt/shared/0921/libpng12.so.0 /usr/lib/x86_64-linux-gnu/
sudo cp /mnt/shared/0921/libpng12.so.0 /lib/x86_64-linux-gnu/

  • 1
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: tesseract-ocr是一种开源的OCR(光学字符识别)引擎,可以用于识别各种语言的文字。对于文的文字识别,我们需要进行训练来构建一个适合文的字库。 首先,我们需要准备一个包足够多的文字符的训练数据集。这些数据集可以包括手写字、印刷体字、不同字体和大小的字等。然后,我们需要将这些图片转换成tesseract-ocr可以识别的格式(比如tif或png格式)。 接下来,我们需要创建一个训练文件,该文件应该包每个字符的图像文件名和相应的unicode编码。这可以通过编写一个脚本来实现。然后,我们使用tesseract-ocr的训练命令对这些字符进行训练,生成一个字库文件(通常是一个.traineddata文件)。 训练命令的具体使用方法可以参考tesseract的官方文档。一般来说,我们需要指定训练数据集的路径、字库文件的输出路径以及其他一些配置参数,如迭代次数、学习率等。 训练完成后,我们可以将生成的字库文件放置到tesseract-ocr的语言包目录。然后,使用tesseract-ocr的识别命令,指定使用字库进行识别。 需要注意的是,tesseract-ocr在识别文时可能存在一些问题,特别是对于手写体和一些特殊字体。因此,我们需要对识别结果进行后处理,如去除一些错误的字符或进行字符校验。 总之,通过训练字库,我们可以使用tesseract-ocr来识别文字符,为文OCR应用提供支持。虽然训练过程需要一些时间和精力,但它可以提高对文文字的准确识别率,并且允许我们自定义和扩展字库,以满足特定需求。 ### 回答2: Tesseract-OCR是一种强大的开源光学字符识别(OCR)引擎,可用于将印刷体文本转换为可编辑的文本格式。Tesseract能够识别多种语言,包括文。 要让Tesseract识别文,需进行一些额外的配置和训练。首先,你需要下载训练数据集,如chi_sim.traineddata。这个数据集包Tesseract学习如何识别文字符的训练信息。 然后,将训练数据集放置在Tesseract训练数据目录下。接下来,你需要对Tesseract进行设置,以指定要使用的训练数据集。这可以通过在代码使用`TessBaseAPI`库和`SetVariable`函数来完成。 创建一个Tesseract实例后,你可以使用`SetVariable`函数设置`lang`变量为"chi_sim",以指定要使用的训练数据集为文。 之后,你可以加载要识别的图像,并使用`Recognize`函数将其识别为文本。Tesseract将尝试识别图像的文字,并将结果返回为可编辑的文本。 以下是一个简单的示例代码: ```c #include <tesseract/baseapi.h> #include <leptonica/allheaders.h> int main() { // 创建Tesseract实例 tesseract::TessBaseAPI* api = new tesseract::TessBaseAPI(); // 设置要使用的训练数据集为文 api->SetVariable("lang", "chi_sim"); // 加载要识别的图像 Pix* image = pixRead("/path/to/your/image.png"); api->SetImage(image); // 进行识别 api->Recognize(0); // 获取识别结果 char* text = api->GetUTF8Text(); printf("识别结果:\n%s", text); // 释放资源 api->End(); delete[] text; pixDestroy(&image); return 0; } ``` 通过以上步骤,你可以使用Tesseract-OCR识别文,并获取到识别结果。这样,你就可以将印刷体文文本转换为可编辑的文本格式,便于进一步处理和使用。 ### 回答3: Tesseract-OCR是一个开源的OCR(Optical Character Recognition,光学字符识别)引擎,它最初由惠普实验室开发,现在由谷歌维护。它能够将图像的文字转换成可编辑的文本,并且支持多种语言的识别,包括文。 在Tesseract-OCR识别文的过程,关键是配置合适的字库并进行训练字库是一系列用于训练OCR引擎的字符图像和相应的字符编码的集合。 首先,我们需要准备一组文字符的图像样本,这些样本应该尽量包不同的字体、大小和风格。可以使用现有的文字符数据集,或者手动收集一些样本。接下来,将这些字符图像转换为合适的格式,例如,可以将它们转换为tif格式。 然后,我们需要创建一个训练字库的配置文件。在这个配置文件,我们需要指定字库的名称,训练过程使用的字符集,以及其他相关的参数。可以通过编辑一个名为“unicharset”的文件来配置这些内容。 接下来,我们需要运行训练命令来训练字库。在命令行,可以使用tesseract命令来运行训练过程。可以指定训练数据的路径、配置文件的路径和输出模型的路径。运行命令后,训练过程将会开始,并且会生成一个训练好的字库模型文件。 最后,我们可以使用训练好的字库模型来识别文。在使用Tesseract-OCR进行文识别时,我们可以通过设置识别语言为文,以及加载之前训练好的字库模型来进行识别。 总结来说,在使用Tesseract-OCR识别文的过程,需要准备文字符的图像样本,创建训练字库的配置文件,运行训练命令进行字库训练,最后使用训练好的字库模型进行文识别。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值