Tesseract-OCR引擎简介

1.Tesseract-OCR引擎简介

OCR(Optical Character Recognition):光学字符识别,是指对图片文件中的文字进行分析识别，获取的过程。

Tesseract的OCR引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从此尘封。

数年以后，HP意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生－－2005年，Tesseract由美国内华达州信息技术研究所获得，并求诸于Google对Tesseract进行改进、消除Bug、优化工作。

2.Tesseract-OCR的下载安装

google下载地址：http://code.google.com/p/tesseract-ocr    

需要下载安装程序(tesseract-ocr-setup-3.02.02.exe)和语言库，默认有英文的语言库只能识别英文，所以还需要下载中文语言库，  

由于google经常打不开，所以通过代理下载后，上传到了CSDN，

安装程序下载地址：http://download.csdn.net/detail/whatday/7740469

简体中文语言库下载地址：http://download.csdn.net/detail/whatday/7740531

繁体中文语言库下载地址：http://download.csdn.net/detail/whatday/7740429

因为如果选择了其他项，安装程序会自动从网上下载，语言库和其他文件，有很大一部分是从google下载，由于不能打开所以会出错，先默认安装上，需要什么文件再下载就行。

我系统是windows8.1 默认安装好后目录如下：

其中tesseract.exe是主程序， tessdata目录是存放语言文件 和 配置文件的，下载或自己生成的语言文件放到此目录里就可以了。

3.Tesseract-OCR的命令行使用

打开DOS界面，输入tesseract：

如果出现如上输出，表示安装正常。

其中 1.png是验证码图片 result是结果文件的名称 默认是.TXT文件 执行成功后会在验证码图片所在位置生成result.txt 打开结果为:

Usage:tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]
pagesegmode values are:
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.
-l lang and/or -psm pagesegmode must occur before anyconfigfile.

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

tesseract    图片名  输出文件名 -l 字库文件 -psm pagesegmode 配置文件

例如：

tesseract code.jpg result  -l chi_sim -psm 7 nobatch

-l chi_sim 表示用简体中文字库（需要下载中文字库文件，解压后，存放到tessdata目录下去,字库文件扩展名为  .raineddata 简体中文字库文件名为:  chi_sim.traineddata）

-psm 7 表示告诉tesseract code.jpg图片是一行文本  这个参数可以减少识别错误率.  默认为 3

configfile 参数值为tessdata\configs 和  tessdata\tessconfigs 目录下的文件名

4.Tesseract-OCR的QA合集

A.ImageMagick是什么？

ImageMagick是一个用于查看、编辑位图文件以及进行图像格式转换的开放源代码软件套装

我在这里之所以提到ImageMagick是因为某些图片格式需要用这个工具来转换。

B.Leptonica 是什么？

Leptonica 是一图像处理与图像分析工具，tesseract依赖于它。而且不是所有的格式(如jpg)都能处理，所以我们需要借助imagemagick做格式转换。

Here's a summary of compression support and limitations:
    - All formats except JPEG support 1 bpp binary.
    - All formats support 8 bpp grayscale (GIF must have a colormap).
    - All formats except GIF support 24 bpp rgb color.
    - All formats except PNM support 8 bpp colormap.
    - PNG and PNM support 2 and 4 bpp images.
    - PNG supports 2 and 4 bpp colormap, and 16 bpp without colormap.
    - PNG, JPEG, TIFF and GIF support image compression; PNM and BMP do not.
    - WEBP supports 24 bpp rgb color.

C.提高图片质量?

识别成功率跟图片质量关系密切，一般拿到后的验证码都得经过灰度化，二值化，去噪，利用imgick就可以很方便的做到．

convert -monochrome foo.png bar.png　#将图片二值化

D.我只想识别字符和数字？

结尾仅需要加digits

命令实例：tesseract imagename outputbase digits

E.训练你的tesseract

不得不说，tesseract英文识别率已经很不错了(现有的tesseract-data-eng）,但是验证码识别还是太鸡肋了。但是请别忘记，tesseract的智能识别是需要训练的．

F.命令执行出现empty page!!错误

严格来说，这不是一个bug(tesseract 3.0),出现这个错误是因为tesseract搞不清图像的字符布局

-psm N
    Set Tesseract to only run a subset of layout analysis and assume a certain form. of image. The options for N are:


    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.

对于我们的验证码a.tif排列来说，采用-psm 7(single text line)比较合适。

5.Tesseract-OCR的训练方法

A.使用jTessBoxEditor工具

1.下载地址：http://download.csdn.net/detail/whatday/7740739

这个工具是用来训练样本用的，由于该工具是用JAVA开发的，需要安装JAVA虚拟机1.6才能运行。

2. 获取样本图像。用画图工具绘制了5张0-9的文样本图像（当然样本越多越好），如下图所示：

4.生成Box File文件。打开命令行，执行命令：

[plain]view plaincopy

1. tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox  

  生成的BOX文件为num.font.exp0.box，BOX文件为Tessercat识别出的文字和其坐标。

注：Make Box File的命令格式为：

[plain]view plaincopy

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

其中lang为语言名称，fontname为字体名称，num为序号，可以随便定义。

font_properties不含有BOM头，文件内容格式如下：

[plain]view plaincopy

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。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值为1或0，表示字体是否具有这些属性。

这里在样本图片所在目录下创建一个名称为font_properties的文件，用记事本打开，输入以下下内容：

[plain]view plaincopy

1. font 0 0 0 0 0  

[plain]view plaincopy

1. rem 执行改批处理前先要目录下创建font_properties文件  
2.   
3. echo Run Tesseract for Training..  
4. tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train  
5.   
6. echo Compute the Character Set..  
7. unicharset_extractor.exe num.font.exp0.box  
8. mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr  
9.   
10. echo Clustering..  
11. cntraining.exe num.font.exp0.tr  
12.   
13. echo Rename Files..  
14. rename normproto num.normproto  
15. rename inttemp num.inttemp  
16. rename pffmtable num.pffmtable  
17. rename shapetable num.shapetable   
18.   
19. echo Create Tessdata..  
20. combine_tessdata.exe num.  

将批处理通过命令行执行。执行后的结果如下：

需确认打印结果中的Offset 1、3、4、5、13这些项不是-1。这样，一个新的语言文件就生成了。

num.traineddata便是最终生成的语言文件，将生成的num.traineddata拷贝到Tesseract-OCR-->tessdata目录下。可以用它来进行字符识别了。

训练前：

        

2.  打开命令行，定位到Tesseract-OCR目录，输入命令：

[plain]view plaincopy

1. tesseract.exe number.jpg result -l eng  

     其中result表示输出结果文件txt名称，eng表示用以识别的语言文件为英文。

3.  打开Tesseract-OCR目录下的result.txt文件，看到识别的结果为7542315857，有3个字符识别错误，识别率还不是很高，那 有没有什么方法来提供识别率呢？Tesseract提供了一套训练样本的方法，用以生成自己所需的识别语言库。下面介绍一下具体训练样本的方法。

训练后：

用训练后的语言库识别number.jpg文件， 打开命令行，定位到Tesseract-OCR目录，输入命令：

[plain]view plaincopy

1. tesseract.exe number.jpg result -l eng  

识别结果如如图所示，可以看到识别率提高了不少。通过自定义训练样本，可以进行图形验证码、车牌号码识别等。感兴趣的朋友可以研究研究。

B.使用 CowBoxer工具

下载地址为：http://download.csdn.net/detail/whatday/7740815

未完。。。