ocr项目———tesserct 的安装识别（中文）和重新训练

首先我们先来说一下现有的开源的字符识别的工具

参考：https://www.cnblogs.com/wzben/p/5930538.html

tesseract字符识别：

1：安装 

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

进入下载页面，可以看到有各种.exe文件的下其中文件名中带有dev的为开发版本，不带dev的为稳定版本，可以选择下载不带dev的版本，例如可以选择下载tesseract-ocr-setup-3.05.02.exe。下载列表，这里可以选择下载3.0版本。

 

2：测试

版本打印：tesserct -v 可以看到版本信息。

执行tesseract test.jpg result  （test.jpg是测试的图像，result是输出的txt文件，会自己生成的）

 

3：报错

在安装完tesseract, pytesseract后执行测试命令，发现打印如下错误：

Error opening data file \Program Files (x86)\Tesseract-OCR\tessdata/eng.traineddata
Please make sure the TESSDATA_PREFIX environment variable is set to the parent directory of your "tessdata" directory.Failed loading language 'eng' Tesseract couldn't load any languages! Could not initialize tesseract.

一看上面的提示就是路径有问题，windows路径是\的 
解决办法，添加TESSDATA_PREFIX的环境变量，设置为安装目录下的tessdata目录 
如:D:\Program Files (x86)\Tesseract-OCR\tessdata

如果还是不行，设置了环境变量可能需要重启下才生效

最快捷的试验方法是，命令行设置环境变量后测试

SET TESSDATA_PREFIX=F:\Tesseract-OCR\tessdata
tesseract 123.png 123.txt

4：乱码问题：

识别中文的时候，发现乱码：

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。

 

 

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

 效果还行，但是数字和标点几乎全错。

5：重新训练新的模型（在tesseroct基础上）

 

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