幽灵工作室

幽灵工作室

mac上文字识别(Tesseract-OCR for mac )

0.介绍

Tesseract是一个开源的OCR引擎,能识别100多种语言(中,英,韩,日,德,法...等等),但是Tesseract对手写的识别能力较差。

1.安装

//安装tesseract的同时安装训练工具
brew install --with-training-tools tesseract

//安装tesseract的同时安装所有语言,语言包比较大,如果安装的话时间较长,建议不安装,按需选择
brew install  --all-languages tesseract

//安装tesseract,并安装训练工具和语言
brew install --all-languages --with-training-tools tesseract 

//只安装tesseract,不安装训练工具
brew install  tesseract

参考文档:http://khalsa.guru/posts/16

2.下载语言库

下载地址:https://github.com/tesseract-ocr/tessdata

根据自己的需求选择所要的语言库,在这里我们选择的是简体中文所以选择的库是:chi_sim.traineddata
将文件拷贝到到:/usr/local/Cellar/tesseract/3.04.01_2/share/tessdata目录下。

库名-语言表如下

库名语言
afrAfrikaans(南非荷兰语)
amhAmharic(阿姆哈拉语)
araArabic(阿拉伯语)
asmAssamese(阿萨姆)
azeAzerbaijani(阿塞拜疆)
aze_cyrlAzerbaijani - Cyrilic(阿塞拜疆-Cyrilic)
belBelarusian(白俄罗斯)
benBengali(孟加拉)
bodTibetan(西藏)
bosBosnian(波斯尼亚)
bulBulgarian(保加利亚语)
catCatalan; Valencian(加泰罗尼亚语; 巴伦西亚)
cebCebuano(宿务)
cesCzech(捷克)
chi_simChinese - Simplified(中国-简体)
chi_traChinese - Traditional(中国-繁体)
chrCherokee(切诺基)
cymWelsh(威尔士)
danDanish(丹麦)
dan_frakDanish - Fraktur(丹麦-Fraktur)
deuGerman(德国)
deu_frakGerman - Fraktur(德国-Fraktur)
dzoDzongkha(不丹文)
ellGreek, Modern (1453-)(希腊,现代(1453-))
engEnglish(英语)
enmEnglish, Middle (1100-1500)(英语,中东(1100-1500))
epoEsperanto(世界语)
equMath / equation detection module(数学/方程式检测模块)
estEstonian(爱沙尼亚)
eusBasque(巴斯克)
fasPersian(波斯)
finFinnish(芬兰)
fraFrench(法语)
frkFrankish(法兰克)
frmFrench, Middle (ca.1400-1600)(法国,中东(ca.1400-1600))
gleIrish(爱尔兰)
glgGalician(加利西亚)
grcGreek, Ancient (to 1453)(希腊语,古(到1453年))
gujGujarati(古吉拉特语)
hatHaitian; Haitian Creole(海天; 海地克里奥尔语)
hebHebrew(希伯来语)
hinHindi(印地文)
hrvCroatian(克罗地亚)
hunHungarian(匈牙利)
ikuInuktitut(因纽特语)
indIndonesian(印尼)
islIcelandic(冰岛)
itaItalian(意大利语)
ita_oldItalian - Old(意大利语-旧)
javJavanese(爪哇)
jpnJapanese(日本)
kanKannada(卡纳达语)
katGeorgian(格鲁吉亚)
kat_oldGeorgian - Old(格鲁吉亚-旧)
kazKazakh(哈萨克斯坦)
khmCentral Khmer(中央高棉)
kirKirghiz; Kyrgyz(柯尔克孜; 吉尔吉斯)
korKorean(韩国)
kurKurdish(库尔德人)
laoLao(老挝)
latLatin(拉丁)
lavLatvian(拉脱维亚)
litLithuanian(立陶宛)
malMalayalam(马拉雅拉姆语)
marMarathi(马拉)
mkdMacedonian(马其顿)
mltMaltese(马耳他)
msaMalay(马来文)
myaBurmese(缅甸)
nepNepali(尼泊尔)
nldDutch; Flemish(荷兰; 佛兰芒语)
norNorwegian(挪威)
oriOriya(奥里亚语)
osdOrientation and script detection module(定位及脚本检测模块)
panPanjabi; Punjabi(旁遮普语; 旁遮普语)
polPolish(波兰)
porPortuguese(葡萄牙语)
pusPushto; Pashto(普什图语; 普什图语)
ronRomanian; Moldavian; Moldovan(罗马尼亚; 摩尔多瓦; 摩尔多瓦)
rusRussian(俄罗斯)
sanSanskrit(梵文)
sinSinhala; Sinhalese(僧伽罗语; 僧伽罗语)
slkSlovak(斯洛伐克)
slk_frakSlovak - Fraktur(斯洛伐克- Fraktur)
slvSlovenian(斯洛文尼亚)
spaSpanish; Castilian(西班牙语; 卡斯蒂利亚)
spa_oldSpanish; Castilian - Old(西班牙语; 卡斯蒂利亚-老)
sqiAlbanian(阿尔巴尼亚)
srpSerbian(塞尔维亚)
srp_latnSerbian - Latin(塞尔维亚语-拉丁语)
swaSwahili(斯瓦希里语)
sweSwedish(瑞典)
syrSyriac(叙利亚)
tamTamil(泰米尔)
telTelugu(泰卢固语)
tgkTajik(塔吉克斯坦)
tglTagalog(菲律宾语)
thaThai(泰国)
tirTigrinya(提格雷语)
turTurkish(土耳其)
uigUighur; Uyghur(维吾尔族; 维吾尔)
ukrUkrainian(乌克兰)
urdUrdu(乌尔都语)
uzbUzbek(乌兹别克斯坦)
uzb_cyrlUzbek - Cyrilic(乌兹别克斯坦- Cyrilic)
vieVietnamese(越南语)
yidYiddish(意第绪语)

3.Tesseract使用

终端输入命令:tesseract --help

Usage:
  tesseract --help | --help-psm | --version
  tesseract --list-langs [--tessdata-dir PATH]
  tesseract --print-parameters [options...] [configfile...]
  tesseract imagename|stdin outputbase|stdout [options...] [configfile...]

OCR options:
  --tessdata-dir PATH   Specify the location of tessdata path.
  --user-words PATH     Specify the location of user words file.
  --user-patterns PATH  Specify the location of user patterns file.
  -l LANG[+LANG]        Specify language(s) used for OCR.
  -c VAR=VALUE          Set value for config variables.
                        Multiple -c arguments are allowed.
  -psm NUM              Specify page segmentation mode.
NOTE: These options must occur before any configfile.

Page segmentation modes:
  0    Orientation and script detection (OSD) only.
  1    Automatic page segmentation with OSD.
  2    Automatic page segmentation, but no OSD, or OCR.
  3    Fully automatic page segmentation, but no OSD. (Default)
  4    Assume a single column of text of variable sizes.
  5    Assume a single uniform block of vertically aligned text.
  6    Assume a single uniform block of text.
  7    Treat the image as a single text line.
  8    Treat the image as a single word.
  9    Treat the image as a single word in a circle.
 10    Treat the image as a single character.

Single options:
  -h, --help            Show this help message.
  --help-psm            Show page segmentation modes.
  -v, --version         Show version information.
  --list-langs          List available languages for tesseract engine.
  --print-parameters    Print tesseract parameters to stdout.

一般使用:

//默认使用eng文字库, imgName是图片的地址,result识别结果
tesseract imgName result

指定语言:

//指定使用简体中文
tesseract -l chi_sim imgName result

//查看本地存在的语言库
tesseract --list-langs

指定多语言:

//指定多语言,用+号相连
tesseract -l chi_sim+eng imgName result

有个地方需要特别注意,参数psm

//输入命令,查看psm的参数
tesseract --help-psm

  0    Orientation and script detection (OSD) only.
  1    Automatic page segmentation with OSD.
  2    Automatic page segmentation, but no OSD, or OCR.
  3    Fully automatic page segmentation, but no OSD. (Default)
  4    Assume a single column of text of variable sizes.
  5    Assume a single uniform block of vertically aligned text.
  6    Assume a single uniform block of text.
  7    Treat the image as a single text line.
  8    Treat the image as a single word.
  9    Treat the image as a single word in a circle.
 10    Treat the image as a single character.

 翻译(可能不是很准,最好看原文):
 0 定向脚本监测(OSD)
 1 使用OSD自动分页
 2 自动分页,但是不使用OSD或OCR(Optical Character Recognition,光学字符识别)
 3 全自动分页,但是没有使用OSD(默认)
 4 假设可变大小的一个文本列。
 5 假设垂直对齐文本的单个统一块。
 6 假设一个统一的文本块。
 7 将图像视为单个文本行。
 8 将图像视为单个词。
 9 将图像视为圆中的单个词。
 10 将图像视为单个字符。

根据情况选择不同的psm值,这很重要,如果选择到不恰当的值会导致识别失败。
例如:


1234.png

使用命令:

//不设置psm值的命令
tesseract 1234.png 1234 -l chi_sim

打印:
Tesseract Open Source OCR Engine v3.04.01 with Leptonica
Info in fopenReadFromMemory: work-around: writing to a temp file
Empty page!!
Empty page!!

//不设置psm值的命令
tesseract 1234.png 1234 -l chi_sim -psm 6

成功识别:
一二三四
一二三四

4.语言训练

提前准备:
1.training tools。(在安装tesseract时候运行brew install --with-training-tools tesseract这句命令会同时安装training tools)
2.jTessBoxEditor工具。
3.训练素材

在这里准备的素材如下:


hui.png

yi.png

执行命令:

tesseract hui.png hui -l chi_sim -psm 10
识别结果:瞧

tesseract yi.png yi -l chi_sim -psm 10
识别结果:=

显然自带chi_sim库对隳易这两个字的识别不是很好。为了识别这两个字,我们要对这两个字进行训练。

1.素材合成,(多个素材合成)
打开jTessBoxEditor工具,菜单栏:tools->Merge TIFF...,选中要合成的图片并保存为为:huiyi.fitt

2.生成box文件

//命令
tesseract  huiyi.tif huiyi -l chi_sim -psm 10 batch.nochop makebox

执行后会在生成一个名为huiyi.box的box文件。

用文本编辑器或者xcode打开:

瞧 31 37 112 119 0
= 51 86 93 106 1

修改为:

隳 31 37 112 119 0
易 51 86 93 106 1

保存文件。

3.生成.tr文件

//命令
tesseract huiyi.tif huiyi -psm 10 nobatch box.train

4.生成unicharset文件

//命令
unicharset_extractor huiyi.box

注意unicharset_extractor命令是training tools里面的集成命令,如果运行时说没有找到该命令则说明你没有安装training tools。

5.创建font_properties文件
字体特征文件,Tesseract-OCR 3.01 及以上版本在训练之前都要创建font_properties文件。文件格式内容格式如下:

fontname italic bold fixed serif fraktur

//翻译
字体名字 倾斜 加粗 固定宽度 衬线体 哥特字体

除了字体之外其他的值都是bool值,0或1

在这里font_properties的内容是:

font 0 0 0 0 0

执行命令:

echo 'font 0 0 0 0 0' > font_properties

5.training

执行命令:

shapeclustering -F font_properties -U unicharset huiyi.tr

会生成:shapetable文件,重命名为huiyi.shapetable

执行命令:

mftraining -F font_properties -U unicharset -O huiyi.unicharset huiyi.tr

会生成:huiyi.unicharsetinttemppffmtable文件,将inttemppffmtable重命名为:huiyi.inttemphuiyi.pffmtable

执行命令:

cntraining huiyi.tr

会生成:normproto文件,重命名为huiyi.normproto

6.得到traineddata文件

执行命令:

combine_tessdata huiyi.

//打印
Combining tessdata files
TessdataManager combined tesseract data files.
Offset for type  0 (huiyi.config                ) is -1
Offset for type  1 (huiyi.unicharset            ) is 140
Offset for type  2 (huiyi.unicharambigs         ) is -1
Offset for type  3 (huiyi.inttemp               ) is 406
Offset for type  4 (huiyi.pffmtable             ) is 118222
Offset for type  5 (huiyi.normproto             ) is 118282
Offset for type  6 (huiyi.punc-dawg             ) is -1
Offset for type  7 (huiyi.word-dawg             ) is -1
Offset for type  8 (huiyi.number-dawg           ) is -1
Offset for type  9 (huiyi.freq-dawg             ) is -1
Offset for type 10 (huiyi.fixed-length-dawgs    ) is -1
Offset for type 11 (huiyi.cube-unicharset       ) is -1
Offset for type 12 (huiyi.cube-word-dawg        ) is -1
Offset for type 13 (huiyi.shapetable            ) is 118708
Offset for type 14 (huiyi.bigram-dawg           ) is -1
Offset for type 15 (huiyi.unambig-dawg          ) is -1
Offset for type 16 (huiyi.params-model          ) is -1
Output huiyi.traineddata created successfully.

将huiyi.traineddata移动到/usr/local/Cellar/tesseract/3.04.01_2/share/tessdata/目录下

执行命令:

cp huiyi.traineddata /usr/local/Cellar/tesseract/3.04.01_2/share/tessdata/

7.验证
执行命令:

tesseract hui.png hui -l huiyi -psm 10
识别结果:瞧

tesseract yi.png yi -l huiyi -psm 10
识别结果:易

成功识别。

结语:好久没写了,这篇是之前就写好的,一直没发,刚过完年诸事繁忙,一直没时间写。在新的一年祝各位同仁前程似景。最近看下有没有时间将Tesseract迁移到iOS上,之前试过效果并不好,主要是识别速度偏慢,而且还没有一个很好的灰度算法用来处理图片。



作者:隳易
链接:http://www.jianshu.com/p/016e55c25521
來源:简书
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
阅读更多
文章标签: tesseract 文字识别
个人分类: 文字识别
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

不良信息举报

mac上文字识别(Tesseract-OCR for mac )

最多只允许输入30个字

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭