深入学习Tesseract-ocr识别中文并训练字库的方法

　　上篇文章简单的学习了tesseract-ocr识别图片中的英文（链接地址如下：https://www.cnblogs.com/wj-1314/p/9428909.html），看起来效果还不错，所以这篇文章继续深入学习tesseract-ocr识别图片中的中文。

一，准备中文字库

　　下载chi_sim.traindata字库。要有这个才能识别中文。下好后，放到Tesseract-OCR项目的tessdata文件夹里面。（注意下载字库，一定要看库对应的tesseract版本下载）

　　为什么强调版本呢 ，小编这里讲自己做的愚蠢的事情附上，希望大家别入坑了。

　   上一篇学习Tesseract-ocr中，识别的是英文，然后小编下载了中文库，如下

　　不知道是什么原因，总是报错。报错如下：

　　我找了多种方法，包括重新安装库，配置环境变量，仍然没有解决问题，所以在这里，我又考虑到Tesseract的版本问题，所以打算重新最新版 w64-v4.0.0，继续试试。附上下载链接地址

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

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

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

　　经过一天的折腾，在tesseract的GitHub中，我偶然发现了问题的所在，可以说自己是非常的蠢，请看下图

　　也就是不同的版本，安装的中文包是不同的，而我乱安装了包，所以一直报错，还没有解决问题，下次一定不能这么粗心。

二，准备训练字库

　　下载jTessBoxEditor，这个是用来训练字库的。

　　以上的在百度都能找到下载，就不详细讲了（要是找不到的，可以留言给我），下载好之后就是这样的。

三，下载Java虚拟机（Java大法好啊）

　　如果你刚刚接触Java语言，并且对它兴趣很大，想继续研究。那么这节就来给你说说怎么安装Java工具JDK，它是你进行Java的第一步。

首先你要下载Java的JDK（JDK的全称是:Java  Development Kit即Java语言软件工具开发包），目前最新的JDK版本是1.8，Java最初是SUN公司，因后来被oracle公司收购，故你需要到oracle官网上下载JDK网址是：http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html。输入这个网址你就可以看到下面图片

　　其中图片中现实的上面是oracle公司提供的Java JDK，上面有两个按钮，默认是不接受License，你需要接受以后就可以下载Java的JDK，这里你需要根据自己电脑的类型，以及操作系统的位数，下载对应的JDK。下面的一个是oracle公司对JDK提供的demos和Samples即简单的例子，可以供我们学习，感兴趣的可以下载下来学习。

这里我选择下载JDK的Windows的64位JDK，下面图片是下载的JDK的安装包。

双击JDK安装包，点击下一步。

　　这里选择不安装公共JRE，因为公共JRE是一个独立的JRE系统，它是单独的安装在windows系统下的其他路径下。公用的JRE会向浏览器和系统中注册Java运行时的环境。通过向浏览器和系统中注册运行时的环境，系统中的任何应用程序都可以使用公用JRE。但是现在在浏览器网页上执行applet的机会几乎没有，并且JDK目录下JRE完全可以胜任，所以一般选择不安装公用JRE。这里如果你不想安装在默认路径下，可以选择更改目录。

　　　　单击下一步，会出现如下安装条。

　　输入Java -version可以查看自己的Java版本。这样你的JDK就安装成功了。

四，识别中文效果

1，随便制作一张有汉字的图片，小编做的图片如下：

2，使用中文字库训练，程序如下：

import pytesseract
from PIL import Image

#打开验证码图片
image = Image.open('07.jpg')
#加载一下图片防止报错，此处可以省略
image.load()
#调用show来展示图片，调试用此处可以省略
image.show()
text = pytesseract.image_to_string(Image.open('07.jpg'),lang ='chi_sim')

print(text)

　　

3，使用中文字库训练的结果如下：

　　从结果来看，效果不太理想，所以我们要想得到更好的结果，那么就需要训练自己的字库，下面小编开始训练自己的字库。

五，训练自己的文库

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myfontlab      字体名normal

那么我们把图片文件重命名 myfontlab.normal.exp0.jpg在转tif。

　　

2、生成box文件

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

　

　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

　　用jTessBoxEditor.jar打开tif文件，然后根据实际情况修改box文件 

　　找到tif图，打开，并校正。

4、训练，生成.tr文件。

　　只要在命令行输入命令即可。

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

　

　　生成一个unicharset文件

unicharset_extractor myfontlab.normal.exp07.box

　　

　　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“一”字没有识别出来。

5，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

　

　　运行命令

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

　　

　　目录下会生成对应下列五个文件，在这五个文件前加上normal.进行重命名

6 执行 combine_tessdata normal.

　　合并五个文件，此时目录下的normal.traineddata 就是训练好的字库文件

combine_tessdata normal.

　　

　　得到训练好的字库如下：

六  测试字库

1，把normal.traineddata  复制到Tesseract-OCRt程序目录下的“tessdata”目录,

2，在Tesseract-OCRt程序目录下执行

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

　　下面文件中会保存你识别到的数据；

　　这个其实网上资料很多，但大都描述的不够详细和完整，这里我一步一步把使用tesseract-ocr 训练字库的方法和步骤进行了描述，亲测是没有问题。

七，如何通过jTessBoxEditor进行Tesseract3.02.02样本训练

　　Tesseract生成.box文件后，需要用到jTessBoxEditor工具对其进行纠正，以下是jTessBoxEditor的使用步骤。

1  加载要纠正的.tif文件

　　box文件的内容也同时会加载到jTessBoxEditor，如果这部分的内容为空，则是没有生成.box文件的！如下图：

2  加载步骤如下：

　　此处借用的是网友的图片，方便，如有侵权，请联系小编及时删除。

3  矫正文字

　　当一个字被识别为两个时，按住Ctrl键选中两个，然后点击Merge，即可进行合并！

　　进行矫正 主要就是坐标 位置的调整,注意 添加需要选择上一个文字才能分离

4.删除空白的方法

　　有些空白处可能也会被jTessBoxEditor误认为是字体，用蓝色框框住，

　　这个可以直接选中，delete掉就好了！

5.总结

　　正常情况下是每个字体都会有蓝色框框住，如果说有其中的两个相邻的字都没有被框住，这时候即使采用insert后加上蓝色框，但是最后识别还是有问题，这个不懂是不是我操作不对！ 最后发现原来是两个字体挨的太近的，导致区别不开了，在老大的建议下，把两个字的距离隔开点来，就可以正常的框出来了！（如果有更好的方法，请指出，谢谢）

　　修改完成后保存即可！这里我是一张张样本图片进行修改的，但是我这样做每张都有做同样的纠正，不知道有没有批量修改的方法呢？

　　在对图片进行训练之前，最好先用Opencv进行下处理，比如说二值化，这样就可以去掉一些干扰！但是要注意的是在识别之前同样的也对图片先进行相同效果的处理！这样的识别率会有所提高！

八  软件设置字体的方法

　　在setting>font 设置中文字体