Tesseract-ocr识别中文并训练字库操作指南

最新推荐文章于 2024-01-22 16:01:05 发布
最新推荐文章于 2024-01-22 16:01:05 发布
阅读量5.4k 收藏 25
点赞数 5
分类专栏： NLP 文章标签： 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_47542175/article/details/121797634
版权

Tesseract-ocr识别中文并训练字库操作指南

一、Tesseract-ocr识别中文

1、Tesseract-ocr下载

2、中文语言包下载

Tesseract中文语言包 chi_sim.traineddata

下载下面的4个文件，复制到安装目录tessdata文件夹里。
chi_sim.traineddata
chi_sim_vert.traineddata
chi_tra.traineddata
chi_tra_vert.traineddata

3、识别中文

二、训练字库

1、下载jTessBoxEditorFX2.2.0

注意jTessBoxEditor有两个版本，带FX的版本才支持中文字符编辑，我们下载带FX版本的。
这个网址上列出了所有的jTessBoxEditorFX版本。
https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
2、解压如下图所示：
在这里插入图片描述
tesseract-ocr的环境变量。
在系统环境变量path路径下添加E:\jTessBoxEditorFX\tesseract-ocr

新建字库tessdata的系统变量，变量名为：TESSDATA_PREFIX
变量值为：E:\jTessBoxEditorFX\tesseract-ocr\tessdata
确定后将电脑重启，至此jTessBoxEditorFX安装配置完成。

下面的操作步骤参见
使用jTessBoxEditorFX-2.2.0制作自己的字库

我是小飞熊
关注
  • 5
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
chi_sim.traineddata字典包
09-17
2021-9最新官方下载中文识别包,包含了chi_sim.traineddata,chi_sim_vert.traineddata,chi_tra.traineddata,chi_tra_vert.traineddata
使用Tesseract识别中文 并提高精度
最新发布
r081r096的博客
03-21 579
请注意，图像预处理的具体步骤和参数可能需要根据你的特定图像和需求进行调整。预处理的目标是使文字尽可能清晰且背景干扰最小，但过度处理也可能损害识别效果。这段代码首先加载了一张图片，然后对其进行了一系列预处理操作，包括转换为灰度图、提高对比度、应用中值滤波去噪和二值化处理。进行中文文本识别时，确保安装了中文的训练数据文件。Pillow库提供了一些基本的图像处理功能，例如调整大小、转换为灰度图、二值化等。提供了一些可以用于优化OCR过程的高级参数。结合上述建议，下面是一个简化的示例代码，展示了如何使用。
tesseract 识别中文字符
conge
03-15 661
tesseract是谷歌的一个对图片进行识别的开源框架，免费使用，现在已经支持中文，而且识别率非常高，这里简要来个helloworld级别的认识 下载地址：http://code.google.com/p/tesseract-ocr/downloads/detail?name=tesseract-ocr-setup-3.01-1.exe&can=2&q= 下载之后进行安装，不...
2024年Tesseract中文库下载最新安装包+OCR中文语言包
天道酬勤，地道酬善，人道酬诚，商道酬信，业道酬精
01-22 1455
2024最新tesseract-ocr64位安装包和32位安装包下载安装和使用。复制到软件安装目录的tessdata路径下，就可以使用了。TesseractOCR2024年最新安装包下载+语言包。因为网络问题，网上的都下不了，所以自己保存了一份。中文简体：chi_sim.traineddata。中文繁体：chi_tra.traineddata。64位5.3.3安装包+32位5.3.0安装包。英文语言包：eng.traineddata。复制到软件安装目录的tessdata路径下，就可以使用了
Tesseract中文字库训练-附带安装程序和语言包
02-09
我在开发时候，总结的经验文档 和所需要的工具
tesseract中文语言包.rar
02-01
tesseract中文语言包.rar
Tesseract最新中文语言包chi_sim.traineddata(4.0.0)三种获取方式
热门推荐
一火的专栏
10-22 1万+
Tesseract最新中文语言包chi_sim.traineddata(4.0.0)三种获取方式
不同的Chinese traineddata区别
音视频图像相关
02-25 4686
关于Chinese traineddata有至少如下几个： chi_sim chi_sim_vert chi_tra 它们之间的区别如何？ chi_sim 包含了简化的常用的汉语和英文字符。 chi_tra 包含了繁体的常用汉语和英文字符。 chi_sim_vert是简体的常用汉语和英文字符，但是书写方向是从上到下。 可以参考https://...
Tesseract-OCR 安装、中文识别与训练字库
weixin_42074832的博客
01-02 8229
简介 OCR(Optical Character Recognition)：光学字符识别，是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。 Tesseract：开源的OCR识别引擎，初期Tesseract引擎由HP实验室研发，后来贡献给了开源软件业，后由Google进行改进、修改bug、优化，重新发布。 下载 1、Windows版本Tesseract各版本下载，本教程用的版本是tesseract-ocr-se
tesseract-ocr中文识别
ponnyao学习笔记
06-14 1923
tesseract-ocr5.0中文环境配置
Windows下命令行及Java+Tesseract-OCR对图像进行（字母+数字+中文）识别，亲测可行
qq_40985985的博客
07-11 3445
Windows下Java+Tesseract-OCR对图像进行字符识别，亲测可行
Python文字识别之tesseract-ocr安装包和中文语言包chi_sim.traineddata下载
06-19
本资源提供Python文字识别之tesseract-ocr安装包和中文语言包chi_sim.traineddata免费下载。 tesseract-ocr：tesseract-ocr-w64-setup-v5.1.0.20220510.exe； 中文语言包：chi_sim.traineddata
tesseract-ocr安装包和中文语言包.rar
03-20
tesseract-ocr安装包和中文语言包.rar
Tesseract-OCR中文语言包2022
03-06
比官网版本12M（2018年的）的要新-- chi_v3_20220621.zip: 包含 v3 版传统模型 (简体 chi_sim，繁体 chi_tra，简繁合并 chi_all) chi_sim, chi_tra 分别包含 7000 常用字，chi_all 包含 8000 常用字，加快识别速度，降低错误率。
chi_sim.traineddata中文包(已经过训练).zip
09-04
软件介绍: 已经经过中文识别训练的Tesseract的chi_sim.traineddata中文包，中文识别效果更好。configschi_sim.traineddatachi_sim_vert.traineddatachi_tra.traineddatachi_tra_vert.traineddataCOPYINGeng.traineddataeus.traineddatajpn.traineddatajpn_vert.traineddataosd.traineddatapdf.ttfREADME.mdukr.traineddata
Tesseract-OCR识别中文与训练字库
03-18
Tesseract-OCR识别中文，jTessBoxEditor训练字库增加准确度
tesseract-ocr的中文识别语言库
07-11
tesseract-ocr的语言库识别库文件，下载解压后放到tesseract-ocr安装目录下的tessdata 目录，存放的是语言字库文件，和在命令行界面中可能用到的参数所对应的文件. 这个安装程序默认包含了英文字库。
tesseract-ocr-setup-3.02.02字库训练含源码
08-16
tesseract-ocr-setup-3.02.02字库训练含源码tesseract-ocr-setup-3.02.02字库训练含源码
tesseract-ocr识别中文与训练字库实例 c#
07-06
### 回答1： tesseract-ocr是一种开源的OCR（光学字符识别）引擎，可以用于识别各种语言的文字。对于中文的文字识别，我们需要进行训练来构建一个适合中文的字库。 首先，我们需要准备一个包含足够多的中文字符的训练数据集。这些数据集可以包括手写字、印刷体字、不同字体和大小的字等。然后，我们需要将这些图片转换成tesseract-ocr可以识别的格式（比如tif或png格式）。 接下来，我们需要创建一个训练文件，该文件应该包含每个字符的图像文件名和相应的unicode编码。这可以通过编写一个脚本来实现。然后，我们使用tesseract-ocr的训练命令对这些字符进行训练，生成一个字库文件（通常是一个.traineddata文件）。 训练命令的具体使用方法可以参考tesseract的官方文档。一般来说，我们需要指定训练数据集的路径、字库文件的输出路径以及其他一些配置参数，如迭代次数、学习率等。 训练完成后，我们可以将生成的字库文件放置到tesseract-ocr的语言包目录中。然后，使用tesseract-ocr的识别命令，指定使用中文字库进行识别。 需要注意的是，tesseract-ocr在识别中文时可能存在一些问题，特别是对于手写体和一些特殊字体。因此，我们需要对识别结果进行后处理，如去除一些错误的字符或进行字符校验。 总之，通过训练字库，我们可以使用tesseract-ocr来识别中文字符，为中文OCR应用提供支持。虽然训练过程需要一些时间和精力，但它可以提高对中文文字的准确识别率，并且允许我们自定义和扩展字库，以满足特定需求。 ### 回答2： Tesseract-OCR是一种强大的开源光学字符识别（OCR）引擎，可用于将印刷体文本转换为可编辑的文本格式。Tesseract能够识别多种语言，包括中文。 要让Tesseract识别中文，需进行一些额外的配置和训练。首先，你需要下载中文训练数据集，如chi_sim.traineddata。这个数据集包含了Tesseract学习如何识别中文字符的训练信息。 然后，将训练数据集放置在Tesseract的训练数据目录下。接下来，你需要对Tesseract进行设置，以指定要使用的训练数据集。这可以通过在代码中使用`TessBaseAPI`库和`SetVariable`函数来完成。 创建一个Tesseract实例后，你可以使用`SetVariable`函数设置`lang`变量为"chi_sim"，以指定要使用的训练数据集为中文。 之后，你可以加载要识别的图像，并使用`Recognize`函数将其识别为文本。Tesseract将尝试识别图像中的文字，并将结果返回为可编辑的文本。 以下是一个简单的示例代码： ```c #include <tesseract/baseapi.h> #include <leptonica/allheaders.h> int main() { // 创建Tesseract实例 tesseract::TessBaseAPI* api = new tesseract::TessBaseAPI(); // 设置要使用的训练数据集为中文 api->SetVariable("lang", "chi_sim"); // 加载要识别的图像 Pix* image = pixRead("/path/to/your/image.png"); api->SetImage(image); // 进行识别 api->Recognize(0); // 获取识别结果 char* text = api->GetUTF8Text(); printf("识别结果：\n%s", text); // 释放资源 api->End(); delete[] text; pixDestroy(&image); return 0; } ``` 通过以上步骤，你可以使用Tesseract-OCR识别中文，并获取到识别结果。这样，你就可以将印刷体中文文本转换为可编辑的文本格式，便于进一步处理和使用。 ### 回答3： Tesseract-OCR是一个开源的OCR（Optical Character Recognition，光学字符识别）引擎，它最初由惠普实验室开发，现在由谷歌维护。它能够将图像中的文字转换成可编辑的文本，并且支持多种语言的识别，包括中文。 在Tesseract-OCR中识别中文的过程中，关键是配置合适的字库并进行训练。字库是一系列用于训练OCR引擎的字符图像和相应的字符编码的集合。 首先，我们需要准备一组中文字符的图像样本，这些样本应该尽量包含不同的字体、大小和风格。可以使用现有的中文字符数据集，或者手动收集一些样本。接下来，将这些字符图像转换为合适的格式，例如，可以将它们转换为tif格式。 然后，我们需要创建一个训练字库的配置文件。在这个配置文件中，我们需要指定字库的名称，训练过程中使用的字符集，以及其他相关的参数。可以通过编辑一个名为“unicharset”的文件来配置这些内容。 接下来，我们需要运行训练命令来训练字库。在命令行中，可以使用tesseract命令来运行训练过程。可以指定训练数据的路径、配置文件的路径和输出模型的路径。运行命令后，训练过程将会开始，并且会生成一个训练好的字库模型文件。 最后，我们可以使用训练好的字库模型来识别中文。在使用Tesseract-OCR进行中文识别时，我们可以通过设置识别语言为中文，以及加载之前训练好的字库模型来进行识别。 总结来说，在使用Tesseract-OCR识别中文的过程中，需要准备中文字符的图像样本，创建训练字库的配置文件，运行训练命令进行字库训练，最后使用训练好的字库模型进行中文识别。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

我是小飞熊

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值