简单的tesseract-OCR的中文字符的训练

因图像课程作业需要字符识别，所以采用了tesseract-OCR，但是自带库的效果不太好，所以根据自己的图片尝试进行训练。

tesseract-OCR

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。

一、环境准备：

1.JAVA JDK (Java Development Kit即Java语言软件工具开发包)
jTessBoxEditor，运行依赖Java运行时环境，所以需要安装Java虚拟机。

2.jTessBoxEditor
jTessBoxEditor工具，用于调整图片上文字的内容和位置。

1.安装java虚拟机(Java最初是SUN公司，因后来被oracle公司收购)

所以在oracle网站：
java下载地址

好吧，我下载的时候被强制登录oracle(……没有，还创建了账户)
下载太缓慢，网上重新找了下了个版本

2.配置java环境变量

1、右键我的电脑->属性

2、找到path

1）然后单击新建，填入%JAVA_HOME%\bin
再新建，填入%JAVA_HOME%\jre\bin

2）新建->变量名：CLASSPATH 变量值：.;%JAVA_HOME%\lib;%JAVA_HOME%\lib\dt.jar;%JAVA_HOME%\lib\tools.jar

3）重新开机后测试：
在控制台分别输入java、javac、java -version命令，出现如下所示即为配置成功

3.安装jTessBoxEditor

下载地址：jTessBoxEditor

解压后双击

出来这个界面

二、开始训练

1.制作训练样本

我的图片

在画图中将png的图片转画为tiff


样本文件全部选上，按住Ctrl 键不松，点击打开。
【注意】：这里是没有界面化的提示的，选中后，点击【打开】，立马就是输入合成后的文件名界面，输入char.font.exp0.tif，点击【保存】

2.生成BOX文件

使用cmd(管理员)到char.font.exp0.tif目录
输入下面命令，生成文件名为char.font.exp0.box

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

• tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox
• lang为语言名称，fontname为字体名称，num为序号；在tesseract中，一定要注意格式
  

3.定义字符配置文件

1)新建font_properties

在文件夹文件夹内，新建一个文本文件，名为font_properties，删掉.txt，用记事本打开，写入内容为：
font 0 0 0 0 0

2)

将.tif .box 和font_properties放到一个文件夹中

4.字符矫正

打开 jTessBoxEditor->BOX Editor->Open，打开num.font.exp0.tif；

因为有中文，所以需要改字体

在setting>font 设置中文字体

调整字符

注意要调整完所有的图片(page)。

5.使用tesseract生成.tr训练文件

执行下面命令，执行完之后，会在当前目录生成char.font.exp0.tr文件。

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

6、生成字符集文件：

执行下面命令：执行完之后会在当前目录生成一个名为“unicharset”的文件。
unicharset_extractor char.font.exp0.box

7、生成shape文件：

执行下面命令，执行完之后，会生成 shapetable 和 char.unicharset 两个文件。
shapeclustering -F font_properties -U unicharset -O char.unicharset char.font.exp0.tr

8、生成聚字符特征文件：

执行下面命令，会生成 inttemp、pffmtable、shapetable和char.unicharset四个文件。
mftraining -F font_properties -U unicharset -O char.unicharset char.font.exp0.tr

9、生成字符正常化特征文件：

cntraining char.font.exp0.tr

10、文件重命名：

重新命名inttemp、pffmtable、shapetable和normproto这四个文件的名字为[lang].xxx。

这里修改为char.inttemp、char.pffmtable、char.shapetable和char.normproto
执行下面命令：
rename normproto char.normproto
rename inttemp char.inttemp
rename pffmtable char.pffmtable
rename shapetable char.shapetable

11、合并训练文件：

执行下面命令，会生成char.traineddata文件。
combine_tessdata char

Log输出中的Offset 1、3、4、5、13这些项不是-1，表示新的语言包生成成功。

12、将生成的“char.traineddata”语言包文件复制到Tesseract-OCR 安装目录下的tessdata文件夹中

13、测试结果：

代码中引入训练出来的对应的库：
tess.image_to_string(textImage, lang='char')

---

被抛弃的写随笔公众号改写技术文章了，感兴趣的可以关注公众号：王崇卫