Tesseract-ocr自己做訓練樣本庫來進行字符識別

 

使用默認的語言庫識別

1.安裝Tesseract

        從 http://code.google.com/p/tesseract-ocr/downloads/list下載Tesseract，目前版本為Tesseract3.02。因為只是測試使用，這里直接下載winodws下的安裝文件tesseract-ocr-setup-3.02.02.exe。安裝成功后會在相應磁盤上生成一個Tesseract-OCR目錄。通過目錄下的tesseract.exe程序就可以對圖像字符進行識別了。

2.准備一副待識別的圖像，這里用畫圖工具隨便寫了一串數字，保存為11111.jpg，如下圖所示：

3.  開始菜單打開命令行，定位到Tesseract-OCR目錄，輸入命令：

其中result表示輸出結果文件txt名稱，eng表示用以識別的語言文件為英文，7表示把圖像看作一個單文本行。

3.  打開Tesseract-OCR目錄下的result.txt文件，看到識別的結果為764-2316857，有2個字符識別錯誤，識別率還不是很高，那有沒有什么方法來提供識別率呢？Tesseract提供了一套訓練樣本的方法，用以生成自己所需的識別語言庫。下面介紹一下具體訓練樣本的方法。

 

訓練樣本

關於如何訓練樣本，Tesseract-OCR官網有詳細的介紹 http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3。這里通過我自己做的例子來介紹一下如何進行樣本訓練。

1.下載工具jTessBoxEditor.  http://sourceforge.net/projects/vietocr/files/jTessBoxEditor/，這個工具是用來訓練樣本用的，由於該工具是用JAVA開發的，需要安裝JDK，才能運行。可以在http://www.oracle.com/technetwork/java/javase/downloads/jdk7-downloads-1880260.html 下載Java SE Development Kit 7u71，看你電腦的具體需求環境。

 

2.把所有的需要訓練的圖片合並為一張tiff格式的圖片，如何合並呢？通過jTessBoxEditor中的Merge Tiff 來完成，不過他的小缺點就是只能合並多張tiff格式的，如果你的圖片是jpg的，需要先通過格式工廠轉換為tif。

 

3.合並圖像。運行jTessBoxEditor工具，在點擊菜單欄中Tools--->Merge TIFF。在彈出的對話框中選擇樣本圖像（按Shift選擇多張），合並成new.font.exp0.tif文件。

 

4.生成Box File文件。在new.font.exp0.tif所在的目錄下打開一個命令行，輸入：

 生成的BOX文件為new.font.exp0.box，該文件記錄了tesseract識別出來的每一個字和其位置坐標。

注：Make Box File的命令格式為：

tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox  

其中lang為語言名稱，fontname為字體名稱，num為序號，可以隨便定義。

注意：在使用中發現，在上述識別生成box文件的過程中需要加上適當的參數才能保證識別率，否則真的是慘不忍睹啊！

　　-lng eng 　　(指定使用英文字庫識別樣本中的驗證碼。注意：一個減號)

　　--psm 7　　 (強調圖像中為單行文字，很重要！注意：兩個減號)

　　digits　　　（字符集中只含字母數字，有沒有效果需要實驗，前面不需要加引號，與上面的參數用空格隔開就行）

 

5.文字校正。使用jTessBoxEditor中的Box Editor打開new.font.exp0.tif文件，需要記住的是第4步生成的new.font.exp0.box要和這個new.font.exp0.tif文件同在一個目錄下。如下圖所示，可以看出有些字符識別的不正確，可以通過該工具手動對每張圖片中識別錯誤的字符進行校正。校正完成后保存即可。

 

 

6.定義字體特征文件。Tesseract-OCR3.01以上的版本在訓練之前需要創建一個名稱為font_properties的字體特征文件。

font_properties不含有BOM頭，文件內容格式如下：

<fontname> <italic> <bold> <fixed> <serif> <fraktur>  

其中fontname為字體名稱，必須與[lang].[fontname].exp[num].box中的名稱保持一致。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值為1或0，表示字體是否具有這些屬性。

在樣本圖片所在目錄下創建一個名稱為font_properties的文件，

.

用記事本打開，輸入以下下內容：

 

這里全取值為0，表示字體不是粗體、斜體等等。

 

7.生成語言文件

在樣本圖片所在目錄下創建一個批處理文件rem，

輸入如下內容：

echo Run Tesseract for Training..  
tesseract.exe new.font.exp0.tif new.font.exp0 nobatch box.train  
echo Compute the Character Set..  
unicharset_extractor.exe new.font.exp0.box  
mftraining -F font_properties -U unicharset -O new.unicharset new.font.exp0.tr  
echo Clustering..  
cntraining.exe new.font.exp0.tr  
echo Rename Files..  
rename normproto new.normproto  
rename inttemp new.inttemp  
rename pffmtable new.pffmtable  
rename shapetable new.shapetable   
echo Create Tessdata..  
combine_tessdata.exe new.     （ 這里new后面的 . 不能缺少）

 

最后把批處理文件rem的后綴改為.bat 。

將批處理通過命令行執行（call rem）。執行后的結果如下：

必須確定的是Offset 1、3、4、5、13的數據不是-1，那么一個新的字典就算生成了。

 

new.traineddata是最終生成的字典。將生成的new.traineddata拷貝到Tesseract-OCR-->tessdata目錄下。以后就可以使用該該字典來識別了，例如：

 

需要注意的是：因為這時是使用自己的材料庫來進行識別，所以調用時就不要在后面加 digits 參數了，否則你會懷疑上面的訓練是不是白做了！