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
afr
Afrikaans(南非荷兰语)
amh
Amharic(阿姆哈拉语)
ara
Arabic(阿拉伯语)
asm
Assamese(阿萨姆)
aze
Azerbaijani(阿塞拜疆)
aze_cyrl
Azerbaijani
 - Cyrilic(阿塞拜疆-Cyrilic)
bel
Belarusian(白俄罗斯)
ben
Bengali(孟加拉)
bod
Tibetan(西藏)
bos
Bosnian(波斯尼亚)
bul
Bulgarian(保加利亚语)
cat
Catalan;
 Valencian(加泰罗尼亚语; 巴伦西亚)
ceb
Cebuano(宿务)
ces
Czech(捷克)
chi_sim
Chinese - Simplified(中国-简体)
chi_tra
Chinese - Traditional(中国-繁体)
chr
Cherokee(切诺基)
cym
Welsh(威尔士)
dan
Danish(丹麦)
dan_frak
Danish
 - Fraktur(丹麦-Fraktur)
deu
German(德国)
deu_frak
German - Fraktur(德国-Fraktur)
dzo
Dzongkha(不丹文)
ell
Greek, Modern （1453-）(希腊，现代（1453-）)
eng
English(英语)
enm
English,
 Middle (1100-1500)(英语，中东（1100-1500）)
epo
Esperanto(世界语)
equ
Math / equation detection module(数学/方程式检测模块)
est
Estonian(爱沙尼亚)
eus
Basque(巴斯克)
fas
Persian(波斯)
fin
Finnish(芬兰)
fra
French(法语)
frk
Frankish(法兰克)
frm
French,
 Middle (ca.1400-1600)(法国，中东（ca.1400-1600）)
gle
Irish(爱尔兰)
glg
Galician(加利西亚)
grc
Greek, Ancient (to 1453)(希腊语，古（到1453年）)
guj
Gujarati(古吉拉特语)
hat
Haitian;
 Haitian Creole(海天; 海地克里奥尔语)
heb
Hebrew(希伯来语)
hin
Hindi(印地文)
hrv
Croatian(克罗地亚)
hun
Hungarian(匈牙利)
iku
Inuktitut(因纽特语)
ind
Indonesian(印尼)
isl
Icelandic(冰岛)
ita
Italian(意大利语)
ita_old
Italian
 - Old(意大利语-旧)
jav
Javanese(爪哇)
jpn
Japanese(日本)
kan
Kannada(卡纳达语)
kat
Georgian(格鲁吉亚)
kat_old
Georgian - Old(格鲁吉亚-旧)
kaz
Kazakh(哈萨克斯坦)
khm
Central
 Khmer(中央高棉)
kir
Kirghiz; Kyrgyz(柯尔克孜; 吉尔吉斯)
kor
Korean(韩国)
kur
Kurdish(库尔德人)
lao
Lao(老挝)
lat
Latin(拉丁)
lav
Latvian(拉脱维亚)
lit
Lithuanian(立陶宛)
mal
Malayalam(马拉雅拉姆语)
mar
Marathi(马拉)
mkd
Macedonian(马其顿)
mlt
Maltese(马耳他)
msa
Malay(马来文)
mya
Burmese(缅甸)
nep
Nepali(尼泊尔)
nld
Dutch;
 Flemish(荷兰; 佛兰芒语)
nor
Norwegian(挪威)
ori
Oriya(奥里亚语)
osd
Orientation and script detection module(定位及脚本检测模块)
pan
Panjabi; Punjabi(旁遮普语; 旁遮普语)
pol
Polish(波兰)
por
Portuguese(葡萄牙语)
pus
Pushto;
 Pashto(普什图语; 普什图语)
ron
Romanian; Moldavian; Moldovan(罗马尼亚; 摩尔多瓦; 摩尔多瓦)
rus
Russian(俄罗斯)
san
Sanskrit(梵文)
sin
Sinhala; Sinhalese(僧伽罗语; 僧伽罗语)
slk
Slovak(斯洛伐克)
slk_frak
Slovak
 - Fraktur(斯洛伐克- Fraktur)
slv
Slovenian(斯洛文尼亚)
spa
Spanish; Castilian(西班牙语; 卡斯蒂利亚)
spa_old
Spanish; Castilian - Old(西班牙语; 卡斯蒂利亚-老)
sqi
Albanian(阿尔巴尼亚)
srp
Serbian(塞尔维亚)
srp_latn
Serbian
 - Latin(塞尔维亚语-拉丁语)
swa
Swahili(斯瓦希里语)
swe
Swedish(瑞典)
syr
Syriac(叙利亚)
tam
Tamil(泰米尔)
tel
Telugu(泰卢固语)
tgk
Tajik(塔吉克斯坦)
tgl
Tagalog(菲律宾语)
tha
Thai(泰国)
tir
Tigrinya(提格雷语)
tur
Turkish(土耳其)
uig
Uighur;
 Uyghur(维吾尔族; 维吾尔)
ukr
Ukrainian(乌克兰)
urd
Urdu(乌尔都语)
uzb
Uzbek(乌兹别克斯坦)
uzb_cyrl
Uzbek - Cyrilic(乌兹别克斯坦- Cyrilic)
vie
Vietnamese(越南语)
yid
Yiddish(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.unicharset、inttemp，pffmtable文件，将inttemp，pffmtable重命名为：huiyi.inttemp，huiyi.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。