Android--tesseract训练识别

 本文章是参考多篇文章总结并且在mac下进行训练 https://www.jianshu.com/p/5f847d8089ce

一.基础环境

  Homebrew macOS下包管理工具或者自己找教程安装：

/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"

imagemagick 图片处理：

brew install imagemagick

二.安装tesseract

 踩坑第一步： 本来用这个下面命令安装后面导致报错--with-training-tools查阅文章说没有这个命令了，需要在线编译。哭

     brew install --with-training-tools tesseract

     Error: invalid option: --with-training-tools

     报错参考：https://pengshiyu.blog.csdn.net/article/details/104398303

     在线编译参考:https://tesseract-ocr.github.io/tessdoc/Compiling.html#macos 

如果你已经安装了先执行这个命令卸掉吧brew uninstall tesseract ，然后下面brew顺序执行安装。。

# Packages which are always needed.
brew install automake autoconf libtool
brew install pkgconfig
brew install icu4c
brew install leptonica
# Packages required for training tools.
brew install pango
# Optional packages for extra features.
brew install libarchive
# Optional package for builds using g++.
brew install gcc

git clone https://github.com/tesseract-ocr/tesseract/
cd tesseract
./autogen.sh
mkdir build
cd build
# Optionally add CXX=g++-8 to the configure command if you really want to use a different compiler.
../configure PKG_CONFIG_PATH=/usr/local/opt/icu4c/lib/pkgconfig:/usr/local/opt/libarchive/lib/pkgconfig:/usr/local/opt/libffi/lib/pkgconfig
make -j
# Optionally install Tesseract.
sudo make install
# Optionally build and install training tools.
make training
sudo make training-install

下载eng.traineddata 并且拷贝到tessdata文件夹下。

https://github.com/tesseract-ocr/tessdata

https://pan.baidu.com/s/1YvpTJ8Nmo-oN5PNpom350g 提取码：jbv6

具体参考这篇文章:https://pengshiyu.blog.csdn.net/article/details/104398303

Mac 终端拷贝文件到指定目录
终端输入：sudo cp -r 源文件地址 目标地址

三. 处理图片

• Tesseract在DPI为至少为300 DPI的图像上效果最佳，所以需要考虑提高图片的DPI，一般图片默认的都是72 。
• 将图像转换为黑白（就是二值化）。
• 消除噪点（就是降低干扰）。
• 旋转（就是将文字尽量水平）。
• 移除不必要的边界（就是要适当裁剪图片）。

  分别灰度，二值化，颜色反转经过处理后图片。点击这里转换代码

转换图片的dpi默认为72，咱们转为300.shell进去刚才保存的图片的文件夹。

第二行是找到咱们所有.jpg图片该dpi为300并保存，第三行是把所有图片转换为tif格式。

中间那个目录是你自己的就行了。

cd /Users/zhaolei/Desktop/箱号照片 ;
convert '*.jpg' -density 300 /Users/zhaolei/Desktop/箱号照片/new/img-%d.jpg
convert '*.jpg' /Users/zhaolei/Desktop/箱号照片/line/img-%d.tif

四.合并tif图片文件

 下载刚才我分享的文件jTessBoxEditor.jar然后解压进去解压目录运行就可以，mac下运行命令为

java -Xms4096m -Xmx4096m -jar jTessBoxEditor.jar

 

 这个文件名，是有讲究的，可以看官网文档的说明，有明确的格式要求：

[lang].[fontname].exp[num].tif

lang--你准备训练的语言的名。

fontname--fontname就是fantname，需要你指定你的语言的字体名称。

exp[num]---exp 后面是编号。

搞一个新的文件夹来保存生成的tif文件。命令行进去到刚才保存到tif的文件夹生成box文件，我的命名下面这个样。

五.生成box文件

shell进入到刚才生成的tif文件夹，执行命令。

tesseract cont.container.exp1.tif cont.container.exp1 batch.nochop makebox

如果你有empat page的报错可以加个参数试试。

tesseract cont.container.exp1.tif cont.container.exp1 --psm 6 batch.nochop makebox

六.人肉训练

首先打开刚才合并tif文件

1.是弄完保存，第一次我没保存然后关掉了太痛苦了。

2.翻页的，搞完一页还有一页慢慢来。

七.生成 .tr 文件

tesseract cont.container.exp1.tif cont.container.exp1 box.train

八.生成unicharset文件

unicharset_extractor cont.container.exp1.box

九.定义 font_properties 文件

重要的事情再说一遍，具体含义，看官方Wiki，这里就跟着往下执行就好。

在当前的训练文件夹中，新建 font_properties.txt 文件，文件名不要自己发挥，必须这个名字，建议使用 vi编辑，而不是用文档编辑器编辑，原因么，就是防止换行符的不一致问题咯。按照你的实际情况，在文档中输入下面一行内容，我输入的是：

container 0 0 0 0 0

https://www.jianshu.com/p/5f847d8089ce这篇文章3.7

简单翻译下官方解释：
font_properties文件的目的是提供字体样式信息，当字体被识别时将显示在输出中。

在每行font_properties文件的格式如下：
fontname italic bold fixed serif fraktur

其中fontname（！不允许有空格）是一个字符串命名的字体，italic，bold，fixed，serif和fraktur都是简单0或1标志指示字体是否具有命名属性。

我觉得我训练的lang文件没有必要有什么特殊的，所以就全为 0 。

十.聚类：Clustering

mftraining -F font_properties -U unicharset -O cont.unicharset cont.container.exp1.tr

这里又个坑就是报找不到fot_properties文件，我明明有啊。后来我加了.txt就好了。好吧

mftraining -F font_properties.txt -U unicharset -O cont.unicharset cont.container.exp1.tr

cntraining cont.container.exp1.tr

十一.合并文件

 刚才创建的五个文件：shapetable，normproto，inttemp，pffmtable，unicharset，前面加个cont. 手工改改后执行命令

combine_tessdata cont.

然后就出来了一个cont.traineddata文件就可以到代码里面试试了。