tesseract文字识别训练记录

痛定思痛。 2022-02-28 15:22 342阅读 0赞

1.下载tesseract，并安装 [https://digi.bib.uni-mannheim.de/tesseract/][https_digi.bib.uni-mannheim.de_tesseract]，识别汉字的话把汉字库选上additional中找

![20190326095718806.png][]

![20190326102131479.png][]

2.将tesseract，安装的文件夹， 添加到环境变量

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1RZdGFuZ3lhbg_size_16_color_FFFFFF_t_70][]

3. 安装pytesseract库

pip install pytesseract

4.一段python 小程序识别

#!/usr/bin/env python3
    # -*- coding: utf-8 -*-
    
    import pytesseract
    from PIL import Image
    
    # open image
    image = Image.open('name.jpg')
    code = pytesseract.image_to_string(image, lang='chi_sim')
    print(code)

5.输入与结果

![20190326100300676.jpg][]

![20190326100237943.png][]

6.可以看出这个识别结果不能令人满意， 需要对字库进行训练，下载训练软件jTessBoxEditorFX

![20190326100430373.png][]

7.解压即可，这个是java软件，需要JRE环境，下载最新版的jre，无需添加环境变量自动添加

![20190326100559638.png][]

8.材料准备，刚刚的测试图像，可以用画图打开另存为tif格式图像，命名为：语言名称.字体.exp序号

my.test.exp0

9.cmd下 cd 到当前文件夹路径下，生成box文件，tesseract my.test.exp0.tif -l chi\_sim  my.test.exp0 batch.nochop makebox

10.使用jtessboxeditor修改box文件 ，调整位置每个框包含一个文字，修改为正确值保存

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1RZdGFuZ3lhbg_size_16_color_FFFFFF_t_70 1][]

11. 生成字体库，别人写的一个脚本，非常方便 ，点击即可，就会生成一堆所需的文件

echo Run Tesseract for Training.. 
    tesseract.exe my.test.exp0.tif my.test.exp0 nobatch box.train 
    
    echo Compute the Character Set.. 
    unicharset_extractor.exe my.test.exp0.box 
    mftraining -F font_properties -U unicharset -O my.unicharset my.test.exp0.tr 
    
    
    echo Clustering.. 
    cntraining.exe my.test.exp0.tr 
    
    echo Rename Files.. 
    rename normproto my.normproto 
    rename inttemp my.inttemp 
    rename pffmtable my.pffmtable 
    rename shapetable my.shapetable  
    
    echo Create Tessdata.. 
    combine_tessdata.exe my. 
    
    echo. & pause

12.找到这个my.traineddata文件，复制到tesseract安装文件夹下tessdata里面，然后修改程序里调用的字体库即可，运行结果：

![20190326101724541.png][]

13.自己训练一下，测试结果还可以，但是对手写字体还是不友好

[https_digi.bib.uni-mannheim.de_tesseract]: https://digi.bib.uni-mannheim.de/tesseract/
[20190326095718806.png]: /images/20220228/181d47f036624a53b06ef6b1d6194a2e.png
[20190326102131479.png]: /images/20220228/a6623e28542641dcb7fd1fe7ef83b6a5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1RZdGFuZ3lhbg_size_16_color_FFFFFF_t_70]: /images/20220228/ea6120dd438645dc81f52beb2f513899.png
[20190326100300676.jpg]: /images/20220228/f3fdcfd15865444c877c42d7a07e652d.png
[20190326100237943.png]: /images/20220228/cb9c8011a787490d9733d5d161de12e4.png
[20190326100430373.png]: /images/20220228/fc5cd3664a0e4d7dbec00cce0539e158.png
[20190326100559638.png]: /images/20220228/48a48c878733468c8c9ede41939ddf5f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1RZdGFuZ3lhbg_size_16_color_FFFFFF_t_70 1]: /images/20220228/fedcd5aa1dbb42d1b7a116ab8b663123.png
[20190326101724541.png]: /images/20220228/2ee6f0499ebb486e95d976eb1510400e.png