tesseract

Tesseract OCR是一个免费的开源OCR引擎，可以将印刷体文字转换为计算机可编辑和可搜索的文本。它最初由Hewlett-Packard实验室开发，现在由Google维护和支持。该软件使用C ++编写，支持多种操作系统，包括Windows，Mac和Linux。Tesseract OCR可以识别多种语言，包括英语，中文，日语，韩语，阿拉伯语等，支持多种文本格式的输出，例如PDF，HTML和TXT。它可以处理各种字体和文字大小，并且可以处理不同方向的文字，例如从左到右，从右到左，从上到下和从下到上。此外，它还可以自动检测和修复文本中的错误，例如删除不必要的字符或更正拼写错误。使用Tesseract OCR非常简单。用户可以将需要转换的图像或PDF文件拖放到软件界面上，或使用命令行界面执行转换操作。用户可以根据自己的需要选择不同的输出格式和语言，并在转换前对转换参数进行设置。转换完成后，结果将以文本文件或PDF文件的形式保存在指定的目录中。Tesseract OCR被广泛应用于各种领域，例如数字化图书馆，自然语言处理，人工智能和机器学习等。它可以帮助用户节省大量时间和劳动力，提高工作效率和准确性。在数字化时代，Tesseract OCR是一种非常有用的工具，可以帮助人们更轻松地管理和处理大量的文本信息。

安装教程

1、在本站下载解压好安装包，双击运行“tesseract-ocr-setup-3.02.02.exe”tesseract ocr 中文版开始安装软件，点击“是”。

2、根据下面图片上的教程，连续点击“next”。




3、到了语言库的选择，你要使用到哪种语言就勾选哪种，默认是一种都不勾选，然后点击“next”。

4、然后点击“install”，开始正式安装，安装完成之后点击“next”。


5、全部安装完成点击“finish”，tesseract ocr 中文版安装结束。

6、检验是否安装成功，运行（win+R）—输入“cmd”—输入“tesseract”，然后会出现下图所示的的情况那就是安装成功了。

使用教程

基本使用介绍
1、我准备了一张验证码1.jpg放置在D盘的根目录下，验证码图：
2、然后输入“D：”，回车，输入“tesseract 1.jpg result”，意思为：识别D盘中1.jpg图片中的内容，将结果输出到result.txt的文件中。

3、结果如图说是：

Tesseract-OCR识别中文与训练字库使用介绍
一、准备工作
1、下载引擎，注意要3.0以上才支持中文哦，按照提示安装就行。
2、下载chi_sim.traindata字库。要有这个才能识别中文。下好后，放到项目的tessdata文件夹里面。
3、下载jTessBoxEditor，这个是用来训练字库的。
以上的几个在百度都能找到下载，就不详细讲了。

二、识别
1、进入cmd，进入到要识别的图片的路径下。
2、输入命令

例如我的图片识别就是：


识别完后会生成result.txt文件

当然啦效果不太理想。所以我们要训练自己的字库。
三、训练
1、将图片转换成tif格式，用于后面生成box文件。可以通过画图，然后另存为tif即可。
更改图片名字，这个是有要求的
tif文面命名格式[lang].[fontname].exp[num].tif
lang是语言 fontname是字体
比如我们要训练自定义字库 mjorcen字体名normal
那么我们把图片文件重命名 mjorcen.normal.exp0.jpg在转tif。
2、生成box文件。


box文件和对应的tif一定要在相同的目录下，不然后面打不开。
3、打开jTessBoxEditor矫正错误并训练
打开train.bat

找到tif图，打开，并校正。

4、训练。
只要在命令行输入命令即可。

在这我明明已经矫正好了，但是还是有1个字符不能识别出来，报的错跟实际上完全没有相关性，不知道是不是bug，到后面的结果就是“园”字没有识别出来。
先不管，毕竟只有一个样本。
新建一个font_properties文件
里面内容写入 normal 0 0 0 0 0 表示默认普通字体
继续敲命令

最后会生成五个文件，把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上normal.
如图：

命令行输入，合并五个文件：

得到训练好的字库。

四、测试
1、把 normal.traineddata 复制到Tesseract-OCR 安装目录下的tessdata文件夹中
2、识别命令：

3、效果

对比：

总结：肯定要自己训练过后的字库识别效果好，接下来要把整个项目弄进android，还要研究怎么将多个字库合并成一个字库，因为我不可能一次训练完所有的图片文字的。到时候有什么成果了再分享博文。希望大家可以点赞！谢谢。
更新：没有错误的话命令行的提示应该是这样的

附录

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 1.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 1.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tessdataconfigs 和  tessdatatessconfigs 目录下的文件名