Tesseract OCR使用介绍

#Tesseract OCR使用介绍

##目录
[TOC]

##下载地址及介绍

• 官网介绍：http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3
• Github源码连接： https://github.com/tesseract-ocr
• 开源贡献者主页 https://kevintechnology.com/

##安装 Tesseract

• 语言包查看 https://www.macports.org/ports.php?by=name&substr=tesseract-
• 支持Windows、linux、macOS

1 2 3 4 5 6 7 8 9 10 11

1、安装 tesseract和语言包 sudo port install tesseract sudo port install tesseract-<langcode> 2、homebrew 安装 brew install tesseract brew install --with-training-tools tesseract 3、重新安装 brew uninstall tesseract brew install --with-training-tools tesseract

• Homebrew 是一个包管理器，如果没装的话，在终端执行

1	ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"

##使用 Tesseract

• 使用命令行进行图像识别
• imagename 就是要识别的图片文件的名称，outputbase 就是识别结果输出文件的名称。
• lang 就是要识别的语言代码，例如英语为 eng、简体中文为 chi_sim 等等。可以同时识别多种语言，使用 “+” 相连，例如 eng+chi_sim。缺省时识别英语。

1、格式信息如下

1	tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

2、示例: 识别image图片并将结果保存在out.txt文件中

1 2	tesseract image.png out -l chi_sim tesseract image.png out -l chi_sim -psm 10

3、pagesegmode 为识别的具体模式，具体包含以下模式：

1 2 3 4 5 6 7 8 9 10 11 12 13 14

• 0 = Orientation and script detection (OSD) only. • 1 = Automatic page segmentation with OSD. • 2 = Automatic page segmentation, but no OSD, or OCR • 3 = Fully automatic page segmentation, but no OSD. (Default) • 4 = Assume a single column of text of variable sizes. • 5 = Assume a single uniform block of vertically aligned text. • 6 = Assume a single uniform block of text. • 7 = Treat the image as a single text line. • 8 = Treat the image as a single word. • 9 = Treat the image as a single word in a circle. • 10 = Treat the image as a single character. • 11 = Sparse text. Find as much text as possible in no particular order. • 12 = Sparse text with OSD. • 13 = Raw line. Treat the image as a single text line, bypassing hacks that are Tesseract-specific.

##训练样本

• 训练工具 https://github.com/tesseract-ocr/tesseract/wiki/AddOns
• 使用教程 https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract
• 提高识别率 https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality
• 清理文本背景 http://www.fmwconcepts.com/imagemagick/textcleaner/index.php
• 提取文本区域 http://www.danvk.org/2015/01/07/finding-blocks-of-text-in-an-image-using-python-opencv-and-numpy.html
• 以jTessBoxEditor为例

1 2 3 4 5 6

> 1、收集文本信息的图片 > 2、制作的图片转为tiff格式 > 3、jTessBoxEditor进行tiff格式图片合成 <Tool->Merge TIFF> 合成后的图片取名规范 [lang].[fontn 大专栏  Tesseract OCR使用介绍ame].exp[num].tif [lang]是语言，[fontname]是字体，[num]是标号

###1、Make Box Files

• 使用 Tesseract 识别，生成 box 文件：
• 确保 tif 和 box 文件同名且位于同一目录下，用 jTessBoxEditor 打开 tif 文件），或者直接用文本编辑器编辑。

1	tesseract hz.font.exp0.tif hz.font.exp0 -l chi_sim -psm 10 batch.nochop makebox

###2、Run Tesseract for Training

• 使用修改正确后的 box 文件，对 Tesseract 进行训练，生成 .tr 文件：

1	tesseract hz.font.exp0.tif hz.font.exp0 -psm 10 nobatch box.train

###3、Compute the Character Set

• 生成字符集的文本

1 2 3 4

unicharset_extractor hz.font.exp0.box hz.font.exp1.box After 3.03 training/set_unicharset_properties -U input_unicharset -O output_unicharset --script_dir=training/langdata

正确的格式应该如下：

1 2 3 4 5 6 7 8

110 NULL 0 NULL 0 N 5 59,68,216,255,87,236,0,27,104,227 Latin 11 0 1 N Y 5 59,68,216,255,91,205,0,47,91,223 Latin 33 0 2 Y 1 8 59,69,203,255,45,128,0,66,74,173 Common 3 2 3 1 9 8 18,66,203,255,89,156,0,39,104,173 Common 4 2 4 9 a 3 58,65,186,198,85,164,0,26,97,185 Latin 56 0 5 a ...

###4、font_properties (new in 3.01)

• 定义字体特征文件，Tesseract-OCR 3.01 以上的版本在训练之前需要创建一个名称为 font_properties 的字体特征文件。font_properties 不含有 BOM 头，文件内容格式如下：

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

• 其中 fontname 为字体名称，必须与 [lang].[fontname].exp[num].box 中的名称保持一致。 、 、 、、 的取值为 1 或 0，表示字体是否具有这些属性。
• 这里就是普通字体，不倾斜不加粗，所以新建一个名为 font_properties 的文件，内容为： font 0 0 0 0 0

###5、Clustering

• 修改 Clustering 过程生成的 4 个文件（inttemp、pffmtable、normproto、shapetable）

1 2 3 4 5 6 7 8 9 10 11 12

shapeclustering -F font_properties -U unicharset hz.font.exp0.tr hz.font.exp1.tr ... mftraining -F font_properties -U unicharset -O hz.unicharset hz.font.exp0.tr hz.font.exp1.tr ... cntraining hz.font.exp0.tr hz.font.exp1.tr ... ``` * 生成后的文件需要添加前缀， 如这里改为 hz.inttemp、hz.pffmtable、hz.normproto、hz.shapetable。 ###6、Putting it all together * 生成最后的训练文件

combine_tessdata hz.

1 2 3 4

###7、use example * 使用训练的文件进行识别

tesseract test.png out -l hz

1 2

##脚本运行

#!/bin/sh
read -p “输入你语言:” lang
echo ${lang}
read -p “输入你的字体:” font
echo ${font}
echo “完整文件名为：”
echo ${lang}.${font}.exp0.tif
echo “开始。。。”
echo ${font} 0 0 0 0 0 >font_properties

#tesseract ${lang}.${font}.exp0.tif $(lang).$(font).exp0 -l chi_sim -psm 10 batch.nochop makebox

#read -p “继续生产tr文件？”
tesseract ${lang}.${font}.exp0.tif ${lang}.${font}.exp0 -psm 10 nobatch box.train
unicharset_extractor ${lang}.${font}.exp0.box
shapeclustering -F font_properties -U unicharset ${lang}.${font}.exp0.tr
mftraining -F font_properties -U unicharset -O unicharset ${lang}.${font}.exp0.tr
cntraining ${lang}.${font}.exp0.tr
echo “开始重命名文件”
mv inttemp ${font}.inttemp
mv normproto ${font}.normproto
mv pffmtable ${font}.pffmtable
mv shapetable ${font}.shapetable
mv unicharset ${font}.unicharset
echo “生成最终文件”
combine_tessdata ${font}.
echo “完成”
`