tesseract_ocr 字符识别基础及训练字库、合并字库

最近公司让我做文字串识别，通过查阅资料，谷歌的开源框架 tesseract-ocr可以帮助我们进行识别图像，文字等等，tesseract可以识别多种语言(一些常用的语言)，多种图片格式，非常强大。

首先体验一下tesseract的强大功能，先安装 tesseract_ocr ,下载地址为http://code.google.com/p/tesseract-ocr/，请务必下载3.0.1版本，我前面下的最新3.0.2版本，生成字符特征命令不能通过，最后勉强解决了，生成的字典识别出来的都是空字符

安装完成之后 看下根目录

tessdata文件夹主要存放字典文件，只要把字典文件放进去，就可以用tesseract 识别相关语言的文字

现在先来识别一张图片

把他放入任意一个文件夹，cmd 命令cd到图片放置的目录，然后执行

可以看到文件夹下 生成了一个txt文本，发现识别的效果并不是很理想。为啥呢，因为我所用的这个图片中的字有所变形，我们的图片和 tesseract 存在的 字做匹配，找相近的，但是字典中没有这种变形的字体，自然识别容易出错，为了 提高识别率，所以我们需要 训练一套 字体来提高识别率

训练 字库还需要一个工具jTessBoxEditor，下载地址为 http://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

现在我们来实战一下，首先要生成一个 .tif 的图片集，我们使用 jTessBoxEditor 来合并多张 格式为tif的图片

1、打开 jTessBoxEditor，选择tools->merge tif ,选择 tif图片，生成一个 格式为tif的 图片集

2、我生成一个名为 why4.tif 的图片集， 进入 cd进入 why4.tif 所在的目录，生成对应的 .box 文件

执行命令

这个文件是通过 tesseract 识别出来的，标示了图片集中 文字的位置，大小，识别后的字符结果。

3、调整，因为 tesseract 识别的不准确，所以我们用 jTessBoxEditor来调整识别文字的位置、结果。

用 jTessBoxEditor打开生成的图片集why4.tif ,注意 why4.tif 对应的box文件一定要和他处于同一个文件夹下(请保持文件名)，否则，用jTessBoxEditor打开没有 位置、识别结果等信息，然后就可以调整了，调整完之后保存

4、生成.tr文件

5、计算字符集,从生成的 box文件中提取 

6、生成字体特征文件，现在文件夹下新建任意文件名的 特征文件，里面的内容格式为 

fontname为字体名称，保持和 图片集文件 .tif 和.box文件的前缀名一致 ，italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值为1或0，表示字体是否具有这些属性。

例如我新建了一个 名为 font，内容 为

的文件

输入命令

7 、聚集tesseract 识别的训练文件

执行完这一步之后发现文件夹下生产了许多文件，把unicharset, inttemp, normproto, pfftable这几个文件加上前缀 why4.

8、最后一步，合并相关文件，生成字典文件

好了，至此字典文件就生产了，我们把生成的字典文件why4.traineddata放入到 tesseract_ocr 根目录下的 tessdata文件夹下

开始使用我们训练过得字体库

随便找一张图片测试一下

可以看到，效果好了许多

说了这么多，生成一个字库还是挺麻烦的，尤其是调整，看得我眼睛都花了，心情烦躁，好不容易做好了一个字库，但是不够 ，还要多添加一些训练内容进去该怎么办呢，经过我的研究，终于找到了3.0.1版本合并字库的方法

首先，需要 生成的字符集.tif文件，位置文件 .box ,只要有这两个文件在，就可以合并字典

好了，我现在有三个 需要合并的字典 why3 why4 why5，他他们的名字修改为 name.num 的形式，分别改为 why.3 why.4 why.5

1、先生成相对应的 .tr 文件

2、从所有文件中提取字符

3、生成字体特征文件

新建的font文件中 把所有box文件对应的 字体特征都加进去

4 、聚集所有.tr 文件

6 、重命名文件，我把unicharset, inttemp, normproto, pfftable 这几个文件加了前缀why.

7、合并所有文件 生成一个大的字库文件