Tesseract试用过程及结果分析

之前做数字自动识别的时候用了一下Tesseract OCR， 对于手写的数字，自己当时测试了一下，调试后准确率还是蛮高的，然而，对于八段管，经过训练后也只有83%，本文主要是对调试结果分析，以及调试过程中的一些问题进行总结。

首先插入参考文章，作者朝花夕拾的利用jTessBoxEditor工具进行Tesseract3.02.02样本训练，提高验证码识别率，文章很详细，对过程阐述的很明白，还有github上关于Tesseract的讲解；

1. JRE安装jTessBoxEditor需要在JAVA 环境下运行，这是只需安装JRE即可，下载正确的版本，我的是64位，配置环境变量，Path：\bin； classpath :\lib; JavaHome:\Java;

cmd运行： java -version看安装是否成功；

2. 下载jTessBoxEditor，下载好压缩包后解压，在cmd命令中输入java可以看到文件的执行格式，进入jTessBoxEditor的目录下，运行java -jar jTessBoxEditor.jar  ,打开文件。

3. shapeclustering 有未经处理的win32问题，联机解决；

 Error：Assert failed： in file..\..\classify\training sampleset.cpp, line622

出现这个问题的原因主要是自己刚一开始的时候名字没有起对，对tif文件刚开始起名为num.tif，后来看到博主的名字要求后又半路改名，其实这个时候已经晚了，很多需要的文件已经生成，最好的办法是从一开始按照要求给tif文件起名字，如果已经出现问题，就把之前生成的文件全部删除，重新来一遍就好。

4. 在用boxeditor进行tif文件merge的时候，经常会出现如下错误：

Merge TIFF: 0070 and 0084 can not be merged. 

主要原因是图片的格式问题，因为要处理大量图片，就用了网上说的那种批量修改后缀的方法，即新建.bat文件，但是运行.bat只是改变了后缀，在boxeditor里并没有认为其为.tif文件，所以，还是用画图一个个另存为比较靠谱。

琐碎的问题弄完后就是训练和识别，输入图像最好是二值化后的，噪音较少，如下图：

还有就是最好是联通的，这是八段管识别最大的问题，可以用闭运算尽量消除空隙：

这张图片就无法被tesseract识别，有时则会错误识别，将0识别成L和7，但是在将其连通后，却可以正确识别，具体分析大家可以参考我做的ppt文件；