Tesseract 对验证码的识别原理和实现步骤

一. Steps：

学习图片库--->处理图片（初步处理）--->校正.学习图片

二. Tesseract:

1. 采集图片库（一般每个出现的字符出现20次左右识别效果比较好），根据图片特点进行初步处理（二值化/灰度化/滤波/降噪等处理），并保存为.tif格式（x.tif)；

2. 使用JTessBoxEditor ,将得到的.tif图片合并为一张图片（Tool—>MergeTiff）；

3. 下载安装tesseract-ocr-setup-3.01-1.exe；

4. 安装后，运行命令行到.tif格式（x.tif)文件夹中，输入tesseract.exe x.tif x batch.nochop makebox;(PS:保存为 同名同文件夹下）

5. 使用JTessBoxEditor打开x.tif文件进行逐个校正；（PS:每次校正后都得保存）

6.校正后，命令行执行：

tesseract.exe x.tif x nobatch box.train; 

unicharset_extractor.exe x.box;

7. 在目录下建立名为“font_properties”的文件，并输入内容：x 1 0 0 1 0；

8.命令行执行：

cntraining.exe x.tr;

mftraining.exe –F font_properties –U unicharset x.tr;

9. 将目录下生成的文件其中几个unicharset/inttemp/normproto/pffmtable文件加上训练名前缀“x.”;

10.命令行执行：

combine_tessdata x. 生成最终的校验学习数据x.traineddata文件；

生成最终的文件示例如下：

11.将x.traineddata拷贝到tesseract-ocr-setup-3.01-1.exe安装好的tesseract-ocr目录下的tessdata下，找一张

经过初步处理的图片，运行命令行执行：tesseract.exe xx.jpg out –l lm；在同级目录下就会生成一个out.txt文件，里面的内容就是识别后的字符串。