关于tesseract-ocr3的训练和使用 众所周知,这是一个出色的字符识别软件。这个开源项目可以在http://code.google.com/p/tesseract-ocr/downloads/list下载。
在使用时,建议使用3而不要使用2,因为一些原因,2虽然可以直接用在工程,但是由于一些显而易见的BUG和其他原因,多导致程序无法运行甚至崩溃。所以建议使用命令行版本的3 。
除了下载tesseract安装程序以外,还可以在下载页面下载一些语言库,当然,也可以在安装过程中选择一些语言库来进行安装。
一、训练
在很多时候,默认的字库等完全可以高准确度的识别,但是有些时候我们需要训练自己的库来使用。训练步骤如下:
注:
A、均以DOS命令为例,即将每步下面的命令保存为.BAT运行,或运行CMD进入tesseract所在目录运行
B、注意保证文件名的一致性(此处均为DDT)
0、复制training目录下的全部文件到tesseract3所在目录
copy .\training\*.exe .\
1、标记边框
tesseract ddt.tif ddt -l eng digits batch.nochop makebox
解释一下
ddt.tif为要识别的文件,支持jpg,gif,tiff等格式,建议用tif
ddt 为要保存的文件名(自动添加扩展名.box)
-l eng 使用的库,这个参数可以让我们选择用哪个字库来标记边框
后面的都是配置文件了,也就是tesseract的其他参数被以文件形式加载,而不是直接输入参数
digits指定了只识别0-9的数字(当然你可以编辑它,使它包含更多的字符),当你不需要指定时,一定要去掉这个参数,但使用这种字符集限定,可以最大程度上减少被错误识别搞的你编辑ddt.box头昏脑胀的几率。
注:
这一步非常关键,但也经常出现问题,即使你在http://code.google.com/p/bbtesseract/downloads/list下载了bbtesseract也是如此,所以我感觉应该自己编一个边框识别,但没有时间做。完全可以将命令写入到软件里,实现图形化。所以,注意编辑你生成的ddt.box文件,保证字符都被识别且边框正确。
这里也有一个小技巧,例如我做过这样一个tif:1.2-34567089,在这一步的时候,只识别了2-9这一部分,于是我修改tif为:001.2-34567089,就全部识别了。也许可以给你一些启示。
2、形成语言库
tesseract ddt.tif ddt -l eng digits nobatch box.train
unicharset_extractor ddt.box
rename unicharset ddt.unicharset
mftraining -U unicharset -O ddt.unicharset ddt.tr
rename inttemp ddt.inttemp
rename pffmtable ddt.pffmtable
rename Microfeat ddt.Microfeat
cntraining ddt.tr
rename normproto ddt.normproto
combine_tessdata ddt.
这里面包含了若干步骤,但其他人扒的“教程”已经啰嗦很多了,不再啰嗦。
注:那几个rename是必要的,因为生成的文件只有扩展名。只要注意了这些,就没问题了。
3、测试语言库
copy ddt.traineddata .\tessdata\ddt.traineddata
tesseract ddt.tif ddt -l ddt
notepad ddt.txt
如果测试失败了,你应该检查:
A、是否tif宽度太小,如果是,我建议你在下面增加一行,就是说把1行改成2行,增加什么呢,随意增加一些你字库里面的字符,但最好和图像一样宽。
B、如果还没正确识别,回头仔细检查你的ddt.box
如果你失败了,记得清理前面生成的文件,可以使用一下命令:
copy ddt.tif tmp.tif
del ddt.* /f /s
copy tmp.tif ddt.tif
del tmp.tif
然后从第一步重新来过。
二、使用
使用时,只需要注意,对于单行并且字符数较少的图像,如果不识别,最好是在下面添加一行无用行,并保证该行基本达到图像宽。
注:
在使用时,可能会发生找不到字库的情况(尤其当你卸载后重装tesseract时),此时,应修改
HKEY_CURRENT_USER\Environment\TESSDATA_PREFIX的值为你的tesseract所在目
在代码的new函数中,我修改了注册表,以防止出错,更好的做法应该是在这之前记录原始值并在类销毁时恢复。之后,指出了屏幕复制时可能存在的一些问题,当然,如果你是取验证码啥的,那就不用关心这些了。然后对图像进行了简单的校正,需要注意的是,必须校正为白底黑字才行,否则不识别。而后,我在下面添加了一行无用的文字,并在返回值时进行了适当处理。再有一点需要注意的是,shell函数的最后一个参数,指出了等待调用进程结束,如果你要在vb6当中使用,这里就需要用api来实现等待——而不要用sleep等定时等待函数,那将会使得你的程序不够健壮。
分享到:
相关推荐
tesseract --list-langs 中文
tesseract-ocr-setup-3.05.01dev-20170510.exe 用于OCR识别
tesseract-ocr-setup-3.01-1谷歌开源ocr技术
tesseract-ocr-w64-setup-v5.0.0-alpha.20210811.exe
tesseract-3.02.02-win32-lib-include-dirs(SDK) tesseract-3.02.02-win32-lib-include-dirs(SDK) tesseract-3.02.02-win32-lib-include-dirs(SDK) tesseract-3.02.02-win32-lib-include-dirs(SDK)
安装完成之后设置pytesseract.py中的tesseract_cmd为'C:/Program Files (x86)/Tesseract-OCR/tesseract',tessdata_dir_config = '--tessdata-dir "C:\\Program Files (x86)\\Tesseract-OCR\\tessdata"'赋值给def ...
tesseract-ocr-setup-3.05.02-20180621,tesseract稳定版本
java文字识别程序的关键是寻找一个可以调用的OCR引擎。tesseract-ocr就是一个这样的OCR引擎,在1985年到1995年由HP实验室开发,现在在Google。tesseract-ocr 3.0发布,支持中文。
tesseract-ocr-w64-setup-v5.0.0.20211201
tesseract-ocr-w64-setup-v5.0.0.exe,这是安装tesseract必须的辅助工具,拥有极好的图像处理能力
赠送jar包:tesseract-5.0.1-1.5.7.jar; 赠送原API文档:tesseract-5.0.1-1.5.7-javadoc.jar; 赠送源代码:tesseract-5.0.1-1.5.7-sources.jar; 赠送Maven依赖信息文件:tesseract-5.0.1-1.5.7.pom; 包含翻译后...
tesseract-ocr-setup-4.00.00dev.exe tesseract的windows安装版exe
用于Tesseract-OCR 字体库训练工具,亲测可用 教程请访问https://blog.csdn.net/qq_29099209/article/details/81633538
tesseract-ocr 光学字符识别安装程序 3.02.02版本 tesseract-ocr 光学字符识别安装程序 3.02.02版本
tesseract-ocr就是一个这样的OCR引擎,在1985年到1995年由HP实验室开发,现在在Google。tesseract-ocr 3.0发布,支持中文。
java图文识别软件:tesseract-ocr-setup-3.05.01,解压后使用,稳定版本
java文字识别程序的关键是寻找一个可以调用的OCR引擎。tesseract-ocr就是一个这样的OCR引擎,在1985年到1995年由HP实验室开发,现在在Google。tesseract-ocr 3.0发布,支持中文,tesseract-ocr-setup-3.05.01
tesseract tesseract-3.04.00
Tesseract是一个开源的OCR(Optical Character Recognition,光学字符识别)引擎,可以识别多种格式的图像文件并将其转换成文本
tesseract ocr 下载 tesseract-ocr-w64-setup-v5.0.0-alpha.20200328