html5 opencv .net,Tesseract+opencv+VS+win实现OCR(示例代码)

参考网站：

tesseract训练

命名

为了方便tif文面命名格式[lang].[fontname].exp[num].tif

lang是语言fontname是字体比如我们要训练自定义字库image字体名MyFont那么我们把tif文件重命名image.MyFont.exp0.tif生成box文件tesseract image.MyFont.exp0.tif image.MyFont.exp0 -l chi_sim batch.nochop makebox

调整box

训练，生成.tr训练文件tesseract  mjorcen.normal.exp0.jpg mjorcen.normal.exp0  nobatch box.train

计算字符集unicharset_extractor mjorcen.normal.exp0.box

字体属性

新建一个font_properties文件

里面内容写入normal 0 0 0 0 0表示默认普通字体。Clustering

生成主形状表shapetableshapeclustering -F font_properties -U unicharset mjorcen.normal.exp0.tr

形状原型inttemp, 每个字符所希望的特征pffmtablemftraining -F font_properties -U unicharset -O unicharset mjorcen.normal.exp0.tr

数据文件normprotocntraining mjorcen.normal.exp0.tr

合并文件font.traineddata

把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上normal.combine_tessdata normal.

必须确定的是第2、4、5、6行的数据不是-1，那么一个新的字典就算生成了。

字符识别数据集

使用多张训练图片进行训练。完成

将多个traineddata进行合并。不行。

利用字体文件生成训练集，进行自动化训练。Text2image

要训练一个新的语言(自定义语言或者某种自然语言都可以)对应的traineddata文件，需要产生下列过程文件：

? lang.config

? lang.unicharset

?lang.unicharambigs

? lang.inttemp

? lang.pffmtable

? lang.normproto

? lang.punc-dawg

? lang.word-dawg

?lang.number-dawg

? lang.freq-dawg

在这八个文件中，红色标示的是必须的，其他的文件可选。当这些文件都准备好之后，再使用combine_tessdata进行最后的合并工作，生成lang.traineddata，这个文件就是最终训练出来语言库。下面再来说一下如何产生上述的文件：

tesseract image.tifoutput -l lang

使用我们刚刚训练好的lang.traineddata文件来识别图形。识别出来的结果将会存放在output.txt文件中。

tesseract API 文档

utf-8问题

opencv编译freeType库，显示中文

openCV文字检测mser

VS编译opencv_contrib

问题：