Tesseract-OCR识别中文与训练字库实例

转自：https://www.aliyun.com/jiaocheng/18274.html?spm=5176.100033.2.15.GFuia4

• 摘要：关于中文的识别,效果比较好而且开源的应该就是Tesseract-OCR了,所以自己亲身试用一下,分享到博客让有同样兴趣的人少走弯路。文中所用到的身份证图片资源是百度找的,如有侵权可联系我删除。一、准备工作1、下载Tesseract-OCR引擎,注意要3.0以上才支持中文哦,按照提示安装就行。2、下载chi_sim.traindata字库。要有这个才能识别中文。下好后,放到Tesseract-OCR项目的tessdata文件夹里面。3、下载jTessBoxEditor,这个是用

• 关于中文的识别,效果比较好而且开源的应该就是Tesseract-OCR了,所以自己亲身试用一下,分享到博客让有同样兴趣的人少走弯路。

   

  文中所用到的身份证图片资源是百度找的,如有侵权可联系我删除。

  一、准备工作

   

  1、下载Tesseract-OCR引擎,注意要3.0以上才支持中文哦,按照提示安装就行。

   

  2、下载chi_sim.traindata字库。要有这个才能识别中文。下好后,放到Tesseract-OCR项目的tessdata文件夹里面。

   

  3、下载jTessBoxEditor,这个是用来训练字库的。

   

  以上的几个在百度都能找到下载,就不详细讲了。

   

  

   

  二、识别

   

  1、进入cmd,进入到要识别的图片的路径下。

   

  2、输入命令

   

  1

   

  tesseract 图片名称 生成的结果文件的名称 字库

   

  例如我的图片识别就是:

   

  1

   

  tesseract test.jpg result -l chi_sim

   

  

   

  识别完后会生成result.txt文件

   

  

   

  当然啦效果不太理想。所以我们要训练自己的字库。

  三、训练

   

  1、将图片转换成tif格式,用于后面生成box文件。可以通过画图,然后另存为tif即可。

   

  更改图片名字,这个是有要求的=。=

   

  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 mjorcen字体名normal 那么我们把图片文件重命名 mjorcen.normal.exp0.jpg在转tif。

  2、生成box文件。

   

  1

   

  tesseract mjorcen.normal.exp0.jpg mjorcen.normal.exp0 -l chi_sim batch.nochop makebox

   

  

   

  box文件和对应的tif一定要在相同的目录下,不然后面打不开。

  3、打开jTessBoxEditor矫正错误并训练

   

  打开train.bat

   

  

   

  找到tif图,打开,并校正。

   

  

  4、训练。

   

  只要在命令行输入命令即可。

   

  1

   

  tesseract mjorcen.normal.exp0.jpg mjorcen.normal.exp0 nobatch box.train

   

  1

   

  unicharset_extractor mjorcen.normal.exp0.box

   

  

   

  在这我明明已经矫正好了,但是还是有1个字符不能识别出来,报的错跟实际上完全没有相关性,不知道是不是bug,到后面的结果就是“园”字没有识别出来。

   

  先不管,毕竟只有一个样本。

  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

  继续敲命令

   

  1

  2

  3

  4

  5

  6

  7

  8

  9

   

  shapeclustering -F font_properties -U unicharset mjorcen.normal.exp0.tr

  mftraining -F font_properties -U unicharset -O unicharset mjorcen.normal.exp0.tr

  cntraining mjorcen.normal.exp0.tr

  
  
   

  最后会生成五个文件,把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上normal.

   

  如图:

   

  

  命令行输入,合并五个文件:

   

  1

   

  combine_tessdata normal.

   

  得到训练好的字库。

   

  

  四、测试

   

  1、把 normal.traineddata 复制到Tesseract-OCR 安装目录下的tessdata文件夹中

  2、识别命令:

   

  1

   

  tesseract mjorcen.normal.exp0.jpg mjorcen.normal.exp0 -l normal

  
  
   

  3、效果

   

  

  对比:

   

  

   

  总结:肯定要自己训练过后的字库识别效果好,接下来要把整个项目弄进android,还要研究怎么将多个字库合并成一个字库,因为我不可能一次训练完所有的图片文字的。到时候有什么成果了再分享博文。希望大家可以点赞!谢谢。

  更新:没有错误的话命令行的提示应该是这样的

   

  

• 以上是Tesseract-OCR识别中文与训练字库实例的内容，更多 字库 中文 Tesseract 实例 识别 训练 ocr 的内容，请您使用右上方搜索功能获取相关信息。