tesseract-ocr tips

【基本用法】

1、tesseract 基本語法：

Usage:tesseract.exe p_w_picpathname 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 p_w_picpath as a single text line.
8 = Treat the p_w_picpath as a single word.
9 = Treat the p_w_picpath as a single word in a circle.
10 = Treat the p_w_picpath as a single character.
-l lang and/or -psm pagesegmode must occur before anyconfigfile.

Single options:
-v --version: version info
--list-langs: list available languages for tesseract engine

tesseract p_w_picpathname outputbase [-l lang] [-psm pagesegmode] [configfile...]
tesseract    圖片名  輸出文件名 -l 字庫文件 -psm pagesegmode 配置文件

2、示例：

（1）、

tesseract code.jpg code -l chi_sim -psm 7 digits
code 生成code.txt的結果文件
-l chi_sim 表示用簡體中文字庫
-psm 7 表示告訴tesseract code.jpg圖片是一行文本，默認為 3
configfile 參數值為tessdata\configs 和 tessdata\tessconfigs 目錄下的文件名
digits 內容為 tessedit_char_whitelist 0123456789-. 表示數字

（2）、白名單

tesseract code.jpg code -l eng -psm 7 -c tessedit_char_whitelist="ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789"

（2）、黑名單

tesseract code.jpg code -l eng -psm 7 -c tessedit_char_blacklist="abcdefghijklmnopqrstuvwxy"

【訓練】（以訓練arial字體為例）

1、準備一張字體圖片如下。

2、用 jTessBoxEditor 將圖片轉為tif文件，將tif文件命名為 eng.arial.exp0.tif。注意這里其實可以選多張圖片。

Tools -> Merge TIFF...

3、生成坐標文件（.box）。

tesseract.exe eng.arial.exp0.tif eng.arial.exp0 batch.nochop makebox

【語法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox

lang為語言名稱，fontname為字體名稱，num為序號；在tesseract中，一定要注意格式。

4、在當前目錄創建 font_properties 文件，內容如下。

eng.arial.exp0.box 1 1 1 0 0

【語法】：<fontname> <italic> <bold> <fixed> <serif> <fraktur>  

fontname為字體名稱，italic為斜體，bold為黑體字，fixed為默認字體，serif為襯線字體，fraktur德文黑字體，1和0代表有和無，精細區分時可使用。

5、字符校正。

打開jTessBoxEditor，BOX Editor -> Open，打開 eng.arial.exp0.tif，注意多頁時頁面切換。

6、執行批處理文件（arial.bat），生成.traineddata文件。

echo Run Tesseract for Training.. 
tesseract eng.arial.exp0.tif eng.arial.exp0 nobatch box.train 
 
echo Compute the Character Set.. 
unicharset_extractor eng.arial.exp0.box 
mftraining -F font_properties -U unicharset -O arial.unicharset eng.arial.exp0.tr 


echo Clustering.. 
cntraining eng.arial.exp0.tr 

echo Rename Files.. 
rename normproto arial.normproto 
rename inttemp arial.inttemp 
rename pffmtable arial.pffmtable 
rename shapetable arial.shapetable  

echo Create Tessdata.. 
combine_tessdata arial. 

echo. & pause

7、將生成文件中的arial.traineddata 文件拷貝到相應tessdata目錄就可以使用啦！

tesseract code.jpg code -l arial

【參考文獻】

1、啥都不懂也能識別驗證碼

2、Tesseract-OCR的簡單使用與訓練

3、Adding New Fonts to Tesseract 3 OCR Engine

4、Python做簡單的驗證碼識別(ocr)

*** walker ***