Tesseract-OCR的簡單使用與訓練

Tesseract，一款由HP實驗室開發由Google維護的開源OCR（Optical Character Recognition , 光學字符識別）引擎，與Microsoft Office Document Imaging（MODI）相比，我們可以不斷的訓練的庫，使圖像轉換文本的能力不斷增強；如果團隊深度需要，還可以以它為模板，開發出符合自身需求的OCR引擎。

源碼地址為：https://github.com/tesseract-ocr/tesseract；

EXE可執行文件地址：http://download.csdn.net/download/whatday/7740469；

接下來，我們將在Windows環境下安裝Tesseract並實現簡單的轉換和訓練：

1、Tesseract實現

大體流程：Tesseract安裝 -> 打開命令行 -> 生成目標文件

Tesseract安裝

下載tesseract-ocr-setup-3.02.02.exe安裝包，安裝成功后會在相應磁盤下有Tesseract-OCR文件夾，如圖

 

打開命令行

打開命令行，輸入tesseract，回車；以下便是tesseract的大體面貌：

 

生成目標文件

先准備一張圖片文件，如test.png

 

將命令行切換至目標圖像文件目錄，比如我們轉換文件為test.png（圖片文件允許多種格式），位於C:\Users\Lian\Desktop\test；然后在命令行中輸入

tesseract test.png output_1 –l eng

【語法】:  tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile…]

imagename為目標圖片文件名，需加格式后綴；outputbase是轉換結果文件名；lang是語言名稱（在Tesseract-OCR中tessdata文件夾可看到以eng開頭的語言文件eng.traineddata），如不標-l eng則默認為eng。

 

打開文件output_1.txt，發現tesseract成功的將圖像轉換成152408。

 

可喜可賀，說明老牌名將tesseract還是很強的！但是還是有點不夠准確，那么我們有沒有什么辦法能提高tesseract識別字符准確率呢？接下來，我們將使用配套訓練工具jTessBoxEditor來訓練樣本，來提高我們的准確率！

 

2、Tesseract訓練：

大體流程為：安裝jTessBoxEditor -> 獲取樣本文件 -> Merge樣本文件 –> 生成BOX文件 -> 定義字符配置文件 -> 字符矯正 -> 執行批處理文件 -> 將生成的traineddata放入tessdata中

安裝jTessBoxEditor

下載jTessBoxEditor，地址https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/；解壓后得到jTessBoxEditor，由於這是由Java開發的，所以我們應該確保在運行jTessBoxEditor前先安裝JRE（Java Runtime Environment，Java運行環境）。

獲取樣本文件

我們可以用畫圖工具繪制樣本文件，數量越多越好，我自己畫了5張圖，如圖：

【注意】：樣本圖像文件格式必須為tif\tiff格式，否則在Merge樣本文件的過程中會出現 Couldn’t Seek 的錯誤。

 

 

 

Merge樣本文件

打開jTessBoxEditor，Tools->Merge TIFF，將樣本文件全部選上，並將合並文件保存為num.font.exp0.tif

生成BOX文件

打開命令行並切換至num.font.exp0.tif所在目錄，輸入，生成文件名為num.font.exp0.box

tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox

【語法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox  

lang為語言名稱，fontname為字體名稱，num為序號；在tesseract中，一定要注意格式。

定義字符配置文件

在目標文件夾內生成一個名為font_properties的文本文件，內容為

font 0 0 0 0 0  

【語法】：<fontname> <italic> <bold> <fixed> <serif> <fraktur>  

fontname為字體名稱，italic為斜體，bold為黑體字，fixed為默認字體，serif為襯線字體，fraktur德文黑字體，1和0代表有和無，精細區分時可使用。

字符矯正

打開jTessBoxEditor，BOX Editor -> Open，打開num.font.exp0.tif；矯正<Char>上的字符，記得<Page>有好多頁噢！

 

修改后記得保存。

執行批處理文件

在目標目錄下生成一個批處理文件

rem 執行改批處理前先要目錄下創建font_properties文件 

echo Run Tesseract for Training.. 
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train 
 
echo Compute the Character Set.. 
unicharset_extractor.exe num.font.exp0.box 
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr 


echo Clustering.. 
cntraining.exe num.font.exp0.tr 

echo Rename Files.. 
rename normproto num.normproto 
rename inttemp num.inttemp 
rename pffmtable num.pffmtable 
rename shapetable num.shapetable  

echo Create Tessdata.. 
combine_tessdata.exe num. 

echo. & pause

保存后執行即可，執行結果如圖：

最終文件夾內會有以下文件，如圖：

 

將生成的traineddata放入tessdata中

最后將num.trainddata復制到Tesseract-OCR中tessdata文件夾即可。

 

3、最后的測試

按照之前步驟，使用命令行輸入

tesseract test.png output_2 -l num

我們可以看到新生成的文件output_2的內容為762408，內容完全正確。細心的人會發現，最后一句指令，我們使用了指令[-l num]而不是[-l eng]。這說明，最后一次轉換我們使用的是新生成的num語言的匹配庫而不是默認的eng語言匹配庫。

 

 

我們可以看到，經過簡單的訓練，我們對於數字數據的轉換准確率提高了很多。Tesseract的優點除了可以不斷學習以外，還因為是使用C++寫的開源程序，可以使用C#或者C++調用以及修改，很關鍵！

關於Tesseract，關於OCR，關於計算機，還有太多值得自己去學習，希望以后可以在這里記錄下來。

如有錯誤或者建議，請盡情指教！