字符识别--Tesseract安装使用与训练--windows--C++离线傻瓜版

        了解了一些开源的字符识别工具，Tesseract不是最优的，但是使用环境要求无法联网，因此Tesseract就变得很有优势了，其具有离线的二进制安装包，且可以自己根据需要额外进行数据训练学习。现将步骤记录如下，需要所有的工具包，不想一个个下载的，可以直接用我打包现成的。

一、Tesseract安装使用

        那些下载源码然后编译的太费劲了，整体思路是找到二进制编码文件安装，然后使用C语言底层指令调用语句，直接使用，so so so easy.

工具下载地址：下载地址：https://digi.bib.uni-mannheim.de/tesseract/

语言包工具，下载地址：https://github.com/tesseract-ocr/tessdata 

1、双击安装tesseract-ocr-w64-setup-v5.3.0.20221214.exe，安装目录无中文，无空格（一路安装到底）

2、将训练数据集解压放置在安装目录下，D:\Tesseract-OCR\tessdata（自己的安装目录）
配置环境变量，系统变量

3、打开cmd，进行测试是否可用，命令为：tesseract --list-langs，显示已有的安装包信息

4、cmd下执行命令，D:\\Tesseract-OCR\\tesseract C:\\mixtest.jpg C:\\result -l chi_sim+eng，检测识别中英混合，查看result结果

5、C++中，执行如下语句，可达到同样效果。
ret=system("D:\\Tesseract-OCR\\tesseract C:\\test.jpg C:\\result -l chi_sim+eng");//ret=0成功，=1失败

二、Tesseract训练

        需要下载Java的JDK，以及一个训练工具（该训练工具必须依赖JDK），下载路径在下面，不想一个个找，可以下载我打包好的。

1、jTessBoxEditor下载地址
https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
下载后解压安装，添加环境变量，系统变量，然后使用java、javac进行测试

2、Java的JDK自行下载解压安装

3、运行使用jTessBoxEditor
D:\jTessBoxEditorFX>start javaw -jar jTessBoxEditorFX.jar
将数据集图片命名为后缀为.tif的格式，tools下混合图片，将所有全选，重新存储名称为：num.font.exp0.tif

4、执行如下命令
C:\>tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox

5、重新打开，修正标签
手工创建一个font_properties文本文件，内容为test 0 0 0 0 0

6、执行如下命令，生成num.font.exp0.tr
C:\>tesseract num.font.exp0.tif num.font.exp0 nobatch box.train

7、执行如下命令，生成unicharset
C:\>unicharset_extractor num.font.exp0.box

8、执行如下命令，生成shapetable、num.unicharset
C:\>shapeclustering -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr

9、执行如下名称，生成inttemp、pffmtable
C:\>mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr

10、执行如下命令，生成normproto
C:\>cntraining num.font.exp0.tr 
注意：如果这一步失败，则说明新的训练集没有什么变更

11、重命名
C:\>rename normproto num.normproto
C:\>rename inttemp num.inttemp
C:\>rename pffmtable num.pffmtable
C:\>rename shapetable num.shapetable

12、执行如下命令，生成训练数据集num.traineddata
C:\>combine_tessdata num