本人最近在做字符識別，所以自行在網(wǎng)上尋找方法，接觸到tesseract，自己按照網(wǎng)上方法做的時候，也遇到一些問題，解決了一些。所以我決定寫下我第一個博客，一是方便自己以后查看，更新學習。二是方便和網(wǎng)友交流學習。

Tesseract介紹

         Tesseract是一個開源的OCR（Optical Character Recognition，光學字符識別）引擎，可以識別多種格式的圖像文件并將其轉換成文本，目前已支持60多種語言（包括中文）。 Tesseract最初由HP公司開發(fā)，后來由Google維護，目前發(fā)布在Googel Project上。

       安裝Tesseract，從http://code.google.com/p/tesseract-ocr/downloads/list下載Tesseract，3.01上的版本支持中文。安裝后在電腦上會有一個Tesseract-OCR目錄，通過目錄錄下的tesseract.exe程序就可以對圖像的字符進行識別?？紤]到萬一有人上不了谷歌，這個Tesseract-OCR文件夾我也上傳了，地址：點擊打開鏈接。文件夾中除了Tesseract的相應文件外，還有一個tesseract-vs2013-include-lib-dll文件，這個是VS2013用來調(diào)用API的配置文件，后面的博客會寫到。打開如圖所示。

使用默認的語言庫識別

     準備一張待識別的圖片，我選取一段《成都》的歌詞。

  接著就可以打開命令行，進入Tesseract-OCR的目錄，輸入：

tesseract.exe gc.jpg result -l chi_sim

 其中result表示輸出結果文件txt名稱，chi_sim表示用以識別的語言文件為英文。執(zhí)行后文件夾中會多一個result.txt。

    效果非常不好，因為很多漢字是左右結構，比如：眼淚。所以我要自己訓練自己的中文庫。

訓練樣本

     訓練樣本需要一個工具，jTessBoxEditor，下載地址：點擊打開鏈接。這個工具是用java開發(fā)的，需要jre7以上的版本支持。   

    1、獲取訓練的圖片，為了方便我使用了原來的圖片一張，樣本當然是越多越好。

    2、合并樣本文件，打開jTessBoxEditor，點開train.bat。在菜單欄中Tools->Merge TIFF。在彈出的窗口中可以選擇多張樣本圖片（網(wǎng)上之前有說要.tif格式的圖片，測試.jpg格式的也行），我這邊就用了一張樣本圖片。

       一張或者多張圖片可以合成一張tif文件。

  3、生成box文件， 打開命令行，輸入：

tesseract.exe gc.font.exp1.tif gc.font.exp1 batch.nochop makebox

      生成的BOX文件為gc.font.exp1.box，BOX文件為Tessercat識別出的文字和其坐標。Make BOX的命名的個數(shù)為：

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

      其中l(wèi)ang為語言名稱，fontname為字體名稱，num為序號，可以隨便定義。有些博客說對于這個命名無所謂，但是我嘗試到后免出錯了，是tr文件名的問題，在下面我會貼出報錯圖。讀者也可以試試，不知是不是我之前步驟哪里做錯了。
      4、文字矯正，打開jTessBoxEditor工具，打開gc.font.exp1.tif文件（必須將上一步生成的.box和.tif樣本文件放在同一目錄），如下圖所示?？梢钥闯鲇行┳址指詈妥R別都不正確，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。（注：發(fā)現(xiàn)中文打不上去，在菜單Setting->Font中可以修改，改為宋體即可）

   對于標定的方框以及識別的字符進行修改。

        選擇兩個或兩個以上的框，Merge可進行合并；Split將框進行拆分；Insert插入框，如果圖片上一個框也沒有，那無法進行插入；Delete刪除框。選擇要修改的字符框，在Character中輸入想要修改的字，再點擊齒輪，即可修改。修改后，如下圖所示：

         5、生成.tr文件，在命令行中輸入：

tesseract gc.font.exp1.tif gc.font.exp1 nobatch box.train

   6、計算字符集，從生成的box文件中提取，繼續(xù)輸入：

unicharset_extractor gc.font.exp1.box

 7、生成字體特征文件，在當前文件夾中新建任意名稱的文件，里面格式為：

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

       例如：我建了一個名為font的文件，里面內(nèi)容為：font 0 0 0 0 0 

        這個文件可以是手動生成的txt文件，也可以在在命令行中輸入：

echo font 0 0 0 0 0 >font

        即可。

        8、特征訓練，繼續(xù)在命令行輸入：

mftraining -F font -U unicharset gc.font.exp1.tr

        在這一步我出現(xiàn)了好幾個錯誤，如下圖

       （1）Failed to load unicharset from file uncharset，這是因為剛剛的font的文件，如果是在txt中寫的，一定要寫成font.txt，加上后綴。

   （2）feature training for Tesseract已停止工作。命令行顯現(xiàn)：

      Reading num.tr …
      Font id = -1/0, class id = 1/13 on sample 0

      font_id >= 0 && font_id < font_id_map_.SparseSiz..\..\classify\trainingsampleset.cpp, line 622

 這個問題就是上面命名所導致的，所以還是規(guī)范命名。

       9、聚集tesseract識別的訓練文件，命令行輸入：

cntraining gc.font.exp1.tr

    有人會說其他還有一條shapeclustering語句，說下這個步驟可有可無，這個是在3.02中新加的，主要針對印度語，所以我們在做的時候會有一個警告 warning No shape table file present。
        這時候文件夾中會多了四個文件，在unicharset，inttemp，normproto，pfftable文件名前面加上font.。如下圖所示：

      10、最后，合并相關文件，生成字典文件，輸入：

combine_tessdata font.

   所有輸入命令如下圖所示

最終，在當前目錄中會產(chǎn)生一個為font.traineddata文件，將其拷到tessdata文件夾中，再測試一下。

     雖然不是全部識別出來，但是較之前的識別率提高了很多，這個和樣本數(shù)量也是有關系的，而且這句話中左右結構的字特別多，原圖26個字，卻識別出31個字出來了，這個問題，我還沒想到什么方法，單個字訓練？。我也試了其他字符訓練，效果還可以 

PS：tesseract-ocr還可從github下載：https://github.com/tesseract-ocr/

最新評論