深入學習Tesseract-ocr識別中文並訓練字型檔的方法

　　上篇文章簡單的學習了tesseract-ocr識別圖片中的英文（連結地址如下：www.cnblogs.com/wj-1314/p/9428909.html），看起來效果還不錯，所以這篇文章繼續深入學習tesseract-ocr識別圖片中的中文。

一，準備中文字型檔

 　　下載chi_sim.traindata字型檔。要有這個才能識別中文。下好後，放到Tesseract-OCR項目的tessdata檔案夾裡面。（注意下載字型檔，一定要看庫對應的tesseract版本下載）

　　為什麼強調版本呢 ，小編這裡講自己做的愚蠢的事情附上，希望大家別入坑了。

　   上一篇學習Tesseract-ocr中，識別的是英文，然後小編下載了中文庫，如下

　　不知道是什麼原因，總是報錯。報錯如下：

　　我找了多種方法，包括重新安裝庫，配置環境變數，仍然沒有解決問題，所以在這裡，我又考慮到Tesseract的版本問題，所以打算重新最新版 w64-v4.0.0，繼續試試。附上下載連結地址

　　下載Tesseract的地址：digi.bib.uni-mannheim.de/tesseract/

　　下載Tesseract-ocr包的地址：github.com/tesseract-ocr/tesseract/wiki/Data-Files

　　下載Tesseract的Git地址：github.com/tesseract-ocr/tesseract/wiki

 　　經過一天的折騰，在tesseract的GitHub中，我偶然發現了問題的所在，可以說自己是非常的蠢，請看

 　　也就是不同的版本，安裝的中文包是不同的，而我亂安裝了包，所以一直報錯，還沒有解決問題，下次一定不能這麼粗心。

二，準備訓練字型檔

　　下載jTessBoxEditor，這個是用來訓練字型檔的。

 

　　以上的在百度都能找到下載，就不詳細講了（要是找不到的，可以留言給我），下載好之後就是這樣的。

 

三，下載Java虛擬機器（Java大法好啊）

　　如果你剛剛接觸Java語言，並且對它興趣很大，想繼續研究。那麼這節就來給你說說怎麼安裝Java工具JDK，它是你進行Java的第一步。

      首先你要下載Java的JDK（JDK的全稱是:Java  Development Kit即Java語言軟體工具開發包），目前最新的JDK版本是1.8，Java最初是SUN公司，因後來被oracle公司收購，故你需要到oracle官網上下載JDK網址是：http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html。輸入這個網址你就可以看到下面圖片

　　其中圖片中現實的上面是oracle公司提供的Java JDK，上面有兩個按鈕，預設是不接受License，你需要接受以後就可以下載Java的JDK，這裡你需要根據自己電腦的類型，以及作業系統的位元，下載對應的JDK。下面的一個是oracle公司對JDK提供的demos和Samples即簡單的例子，可以供我們學習，感興趣的可以下載下來學習。

       這裡我選擇下載JDK的Windows的64位JDK，下面圖片是下載的JDK的安裝包。

  雙擊JDK安裝包，點擊下一步。

 　　這裡選擇不安裝公用JRE，因為公用JRE是一個獨立的JRE系統，它是單獨的安裝在windows系統下的其他路徑下。公用的JRE會向瀏覽器和系統中註冊Java運行時的環境。通過向瀏覽器和系統中註冊運行時的環境，系統中的任何應用程式都可以使用公用JRE。但是現在在瀏覽器網頁上執行applet的機會幾乎沒有，並且JDK目錄下JRE完全可以勝任，所以一般選擇不安裝公用JRE。這裡如果你不想安裝在預設路徑下，可以選擇更改目錄。

　　　　單擊下一步，會出現如下安裝條。

 　　輸入Java -version可以查看自己的Java版本。這樣你的JDK就安裝成功了。

 

四，識別中文效果 1，隨便製作一張有漢字的圖片，小編做的圖片如下：

2，使用中文字型檔訓練，程式如下：

import pytesseractfrom PIL import Image#開啟驗證碼圖片image = Image.open('07.jpg')#載入一片防止報錯，此處可以省略image.load()#調用show來展示圖片，調試用此處可以省略image.show()text = pytesseract.image_to_string(Image.open('07.jpg'),lang ='chi_sim')print(text)

　　

3，使用中文字型檔訓練的結果如下：

 　　從結果來看，效果不太理想，所以我們要想得到更好的結果，那麼就需要訓練自己的字型檔，下面小編開始訓練自己的字型檔。

五，訓練自己的文庫1、將圖片轉換成tif格式，用於後面產生box檔案。可以通過畫圖，然後另存新檔tif即可

　　更改圖片名字，這個是有要求的

tif文面命名格式[lang].[fontname].exp[num].tiflang是語言           fontname是字型 比如我們要訓練自訂字型檔myfontlab      字型名normal那麼我們把圖片檔案重新命名 myfontlab.normal.exp0.jpg在轉tif。

　　

2、產生box檔案

tesseract myfontlab.normal.exp0.jpg myfontlab.normal.exp0 -l chi_sim batch.nochop makebox

　

　box檔案和對應的tif一定要在相同的目錄下，不然後面打不開。

　

　

3、開啟jTessBoxEditor矯正錯誤並訓練

　　開啟train.bat

　　用jTessBoxEditor.jar開啟tif檔案，然後根據實際情況修改box檔案 

 

　　找到tif圖，開啟，並校正。

4、訓練，產生.tr檔案。

　　只要在命令列輸入命令即可。

tesseract  myfontlab.normal.exp07.jpg  myfontlab.normal.exp07  nobatch box.train

　

 　　產生一個unicharset檔案

unicharset_extractor myfontlab.normal.exp07.box

　　

 

 

　　在這我明明已經矯正好了，但是還是有1個字元不能識別出來，報的錯跟實際上完全沒有相關性，不知道是不是bug，到後面的結果就是“一”字沒有識別出來。

 

5，建立一個font_properties檔案

裡面內容寫入 normal 0 0 0 0 0 表示預設普通字型

　

　　運行命令

shapeclustering -F font_properties.txt -U unicharset myfontlab.normal.exp07.tr

　　

 

mftraining -F font_properties.txt -U unicharset -O unicharset myfontlab.normal.exp07.tr

　　

 

 

cntraining myfontlab.normal.exp07.tr

　　

 

 　　目錄下會產生對應下列五個檔案，在這五個檔案前加上normal.進行重新命名

6 執行 combine_tessdata normal.  

　　合并五個檔案，此時目錄下的normal.traineddata 就是訓練好的字型檔檔案

combine_tessdata normal.

　　

　　得到訓練好的字型檔如下：

六  測試字型檔1，把normal.traineddata  複製到Tesseract-OCRt程式目錄下的“tessdata”目錄,2，在Tesseract-OCRt程式目錄下執行 

 tesseract.exe myfontlab.normal.exp07.jpg out –l normal

 

 

　　下面檔案中會儲存你識別到的資料；

　　這個其實網上資料很多，但大都描述的不夠詳細和完整，這裡我一步一步把使用tesseract-ocr 訓練字型檔的方法和步驟進行了描述，親測是沒有問題。

 

 

七，如何通過jTessBoxEditor進行Tesseract3.02.02樣本訓練

　　Tesseract產生.box檔案後，需要用到jTessBoxEditor工具對其進行糾正，以下是jTessBoxEditor的使用步驟。

1  載入要糾正的.tif檔案

　　box檔案的內容也同時會載入到jTessBoxEditor，如果這部分的內容為空白，則是沒有產生.box檔案的！如：

2  載入步驟如下：

　　此處借用的是網友的圖片，方便，如有侵權，請聯絡小編及時刪除。

3  矯本文字

　　當一個字被識別為兩個時，按住Ctrl鍵選中兩個，然後點擊Merge，即可進行合并！

　　進行矯正 主要就是座標 位置的調整,注意 添加需要選擇上一個文字才能分離

4.刪除空白的方法

　　有些空白處可能也會被jTessBoxEditor誤認為是字型，用藍色框框住，

　　這個可以直接選中，delete掉就好了！

5.總結

　　正常情況下是每個字型都會有藍色框框住，如果說有其中的兩個相鄰的字都沒有被框住，這時候即使採用insert後加上藍色框，但是最後識別還是有問題，這個不懂是不是我操作不對！ 最後發現原來是兩個字型挨的太近的，導致區別不開了，在老大的建議下，把兩個字的距離隔開點來，就可以正常的框出來了！（如果有更好的方法，請指出，謝謝）

　　修改完成後儲存即可！這裡我是一張張樣本圖片進行修改的，但是我這樣做每張都有做同樣的糾正，不知道有沒有批量修改的方法呢？

　　在對圖片進行訓練之前，最好先用Opencv進行下處理，比如說二值化，這樣就可以去掉一些幹擾！但是要注意的是在識別之前同樣的也對圖片先進行相同效果的處理！這樣的識別率會有所提高！

八  軟體佈建字型的方法　　在setting>font 設定中文字型