1、Tesseract

一款由HP实验室开发由Google维护的开源OCR(光学字符识别)引擎

• 语法：

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile…]

imagename为目标图片文件名，需加格式后缀；

outputbase是转换结果文件名；

lang是语言名称（在Tesseract-OCR中tessdata文件夹可看到以eng开头的语言文件eng.traineddata），如不标-l eng则默认为eng。

例：tesseract test.png output_1 –l eng

• 字库

https://github.com/tesseract-ocr/tessdata/find/master

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。

tesseract test.jpg result -l chi_sim

但是还是有点不够准确，那么我们有没有什么办法能提高tesseract识别字符准确率呢？

接下来，我们将使用配套训练工具jTessBoxEditor来训练样本，来提高我们的准确率！

大体流程为：安装jTessBoxEditor -> 获取样本文件 -> Merge样本文件 –> 生成BOX文件 -> 定义字符配置文件 -> 字符矫正 -> 执行批处理文件 -> 将生成的traineddata放入tessdata中

https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

参考

http://blog.sina.com.cn/s/blog_660e521d0102uyaq.html

• 获取样本文件

  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、使用jTessBoxEditor

  点击train.bat---->tool----->Merga TIFF----->选择图片----->保存为---名字.语言.exp0，在修改另存为.jpg

  

• Merge样本文件

• 生成BOX文件

  tesseract mjorcen.normal.exp0.jpg mjorcen.normal.exp0 -l eng batch.nochop makebox

  

• 字符矫正

  打开.tif文件，逐个矫正

• 执行批处理文件

  生成.tr文件

  tesseract mjorcen.normal.exp0.jpg mjorcen.normal.exp0 nobatch box.train

  生成unicharset文件

  unicharset_extractor mjorcen.normal.exp0.box

• 定义字符配置文件

  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

• echo font 0 0 0 0 0 >font_properties

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

• 把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上normal.

• 执行combine_tessdata normal.

• 将生成的.traineddata文件放入D:\Tesseract-OCR\tessdata中

• 测试

tesseract mjorcen.normal.exp0.jpg mjorcen.normal.exp0 -l normal