基于Tesseract的OCR图像识别

何为Tesseract？
Tesseract的OCR引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从此尘封。数年以后，HP意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生。在2005年，Tesseract由美国内华达州信息技术研究所获得，并委托Google对其进行改进、优化工作。
Tesseract目前已作为开源项目发布在Google Project，它与Leptonica图片处理库结合，可以读取各种格式的图像并将它们转化成超过60种语言的文本，我们还可以不断训练自己的库，使图像转换文本的能力不断增强。如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。

Tesseract基本工作原理：

 

 

 

 

Tesseract安装教程：
1. tesseract下载地址：https://digi.bib.uni-mannheim.de/tesseract/
2.下载完成后双击安装包，选择路径，选择语言后继续下一步直到安装成功

 

 

 

3.配置Tesseract的环境变量

 

 

4.查看安装结果
在cmd中输入tesseract –v 有结果如下图，则说明安装成功：

 

 

 

Tesseract使用教程：

bat调用Tesseract在cmd中进入图片所在目录，输入  tesseract 图片名称  结果文档名称如： tesseract 0.png result.txt   ，识别0.png的结果保存为result.txt文档。

 

 

 

python调用Tesseract
1.pip安装pytesseract cmd输入指令 pip install pytesseract  
调用方法：
text = pytesseract.image_to_string(image)

 

 

 

7.cmd运行指令生成字符特征集(tr)
 tesseract num.font.exp0.tif num.font.exp0 nobatch box.train

8.cmd运行指令生成字符集(unicharset)
unicharset_extractor num.font.exp0.box

9. cmd运行指令生成字符特征(shapetable、inttemp、pffmtable、 normproto）
shapeclustering -F font_properties.txt -U unicharset num.font.exp0.tr  　　  
mftraining -F font_properties.txt -U unicharset -O num.unicharset  num.font.exp0.tr
cntraining num.font.exp0.tr
10.重命名，结果合并
把目录下的字符集 unicharset、图形原型文件inttemp、字符特征数文件pffmtable、
字符形状表shapetable、字符形状正常化特征文件normproto
这五个文件的文件名前面都加上“num.”执行combine_tessdata num，生成num.traineddata
11.结果导入
把num.traineddata放到tesseract目录下的tessdata目录下

 

 

 

 1.下载工具jTessBoxEditor 并解压
网址： https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/ 

 

 

 

2.获取训练数据：

 

 

 

3.合并样本图像。
运行jTessBoxEditor     
点击Tools--->Merge TIFF。   
选择样本图像合并成num.font.exp0.tif文件。   

 

 

 

4.打开命令行执行命令生成box文件：tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox  生成的BOX文件为num.font.exp0.box，BOX文件为Tessercat识别出的文字和其坐标。
Make Box File的命令格式为：
tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox 
其中lang为语言名称，fontname为字体名称，num为序号，可以随便定义。
5.文字校正。
运行jTessBoxEditor    
打开num.font.exp0.tif（必须将上一步生成的.box和.tif样本文件放在同一目录）    手动对每张图片中识别错误的字符进行校正。校正完成后保存。

 

 

 

 

 

 

 

6.定义字体特征文件。
Tesseract-OCR3.01以上的版本在训练之前需要在样本图片(tif)所在目录下创建一个名称为font_properties的字体特征文件。
font_properties不含有BOM头，文件内容格式如下：
 <fontname> <italic> <bold> <fixed> <serif> <fraktur> 
fontname为字体名称，必须与[lang].[fontname].exp[num].box中的名称保持一致。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值为1或0，表示字体是否具有这些属性。
这里用记事本打开font_properties ，输入以下下内容：
 num 0 0 0 0 0