Tesseract OCR識別中文與訓練字型檔例項

2021-08-31 09:16:54 字數 2636 閱讀 1216

關於中文的識別,效果比較好而且開源的應該就是tesseract-ocr了,所以自己親身試用一下,分享到部落格讓有同樣興趣的人少走彎路。

一、準備工作

二、識別

1、進入cmd,進入到要識別的的路徑下。

2、輸入命令

tesseract 名稱 生成的結果檔案的名稱 字型檔

識別完後會生成result.txt檔案

當然啦效果不太理想。所以我們要訓練自己的字型檔。

三、訓練

1、將轉換成tif格式,用於後面生成box檔案。可以通過畫圖,然後另存為tif即可。

更改名字,這個是有要求的=。=

tif文面命名格式[lang].[fontname].exp[num].tif

lang是語言 fontname是字型 

比如我們要訓練自定義字型檔 mjorcen字型名normal

那麼我們把檔案重新命名 mjorcen.normal.exp0.jpg在轉tif。

2、生成box檔案。

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

找到tif圖,開啟,並校正。

4、訓練。

只要在命令列輸入命令即可。

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「園」字沒有識別出來。

先不管,畢竟只有乙個樣本。

新建乙個font_properties檔案

裡面內容寫入 normal 0 0 0 0 0 表示預設普通字型

繼續敲命令

shapeclustering -f font_properties -u unicharset mjorcen.normal.exp0.tr

mftraining -f font_properties -u unicharset -o unicharset mjorcen.normal.exp0.tr

cntraining mjorcen.normal.exp0.tr

最後會生成五個檔案,把目錄下的unicharset、inttemp、pffmtable、shapetable、normproto這五個檔案前面都加上normal.

如圖:

命令列輸入,合併五個檔案:

combine_tessdata normal.

得到訓練好的字型檔。

四、測試

1、把 normal.traineddata 複製到tesseract-ocr 安裝目錄下的tessdata資料夾中

2、識別命令:

3、效果

對比:

總結:肯定要自己訓練過後的字型檔識別效果好,接下來要把整個專案弄進android,還要研究怎麼將多個字型檔合併成乙個字型檔,因為我不可能一次訓練完所有的文字的。到時候有什麼成果了再分享博文。希望大家可以點讚!謝謝。

更新:沒有錯誤的話命令列的提示應該是這樣的

Tesseract Ocr文字識別

tesseract的ocr引擎最先由hp實驗室於1985年開始研發,至1995年時已經成為ocr業內最準確的三款識別引擎之一。2005年,tesseract由美國內華達州資訊科技研究所獲得,並求諸於google對tesseract進行改進 消除bug 優化工作。tesseract目前已作為開源專案發...

Tesseract Ocr文字識別

tesseract的ocr引擎最先由hp實驗室於1985年開始研發,至1995年時已經成為ocr業內最準確的三款識別引擎之一。2005年,tesseract由美國內華達州資訊科技研究所獲得,並求諸於google對tesseract進行改進 消除bug 優化工作。tesseract目前已作為開源專案發...

Tesseract OCR識別中文與訓練字型檔例項

主要參考 關於中文的識別,效果不一定會好一些但是開源的應該就是tesseract ocr了,所以自己親身試用一下,分享到部落格讓有同樣興趣的人少走彎路。一 準備工作 二 識別 1 進入cmd,進入到要識別的的路徑下。2 輸入命令 1 tesseract 名稱 生成的結果檔案的名稱 字型檔 例如我的識...