Tesseract-OCR识别 学习（一）命令识别

1、Tesseract概述（来自网页）

Tesseract的OCR引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从此尘封。

数年以后，HP意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生－－2005年，Tesseract由美国内华达州信息技术研究所获得，并求诸于Google对Tesseract进行改进、消除Bug、优化工作。

Tesseract目前已作为开源项目发布在Google Project，其项目主页在查看，其最新版本3.0已经支持中文OCR，并提供了一个命令行工具。本次我们来测试一下Tesseract 3.0，由于命令行对最终用户不太友好，我用WPF简单封装了一下，就可以方便的进行中文OCR了。

1.1、首先到Tesseract项目主页下载命令行工具、源代码、中文语言包：

链接: http://pan.baidu.com/s/1bptAnsN 密码: hd2y 下载后解压到相应的文件下。文件如下：

Tesseract-OCR识别 学习（一）命令识别
文件介绍：tif,jpg是要识别的图片。tessdata：识别时使用语言包的类型，

jTessBoxEditor：这个是要训练时候用的，运行里面的bat文件即可。

2.使用步骤

A：命令行进入到相应的文件下，直接使用：tesseract 3.jpg result -l eng 即可。

Tesseract-OCR识别 学习（一）命令识别
会在当前目录下生成：result.txt文件。里面既识别的结果.

3.训练（机器不是所有的字符都可以识别）

A：先要目录下创建font_properties文件 填写内容：

font 0 0 0 0 0

B：运行jTessBoxEditor工具，在点击菜单栏中Tools—>Merge TIFF。在弹出的对话框中选择样本图像（按Shift选择多张）

合并成num.font.exp0的tif图片文件。

注：Make Box File的命令格式为：

tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox

C：生成Box File文件

tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox

会生成一个num.font.exp0.box 文件

D：以此执行下面的命令

echo 1：Compute the Character Set…

unicharset_extractor.exe num.font.exp0.box

echo 2：生成tr文件

tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train

echo 3：

mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr

echo 4：Clustering…

cntraining.exe num.font.exp0.tr

echo 5：Rename Files… 重命名

rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable

echo 6：Create Tessdata… 生成自己的识别库 num.traineddata，拷贝到tessdata目录下即可

combine_tessdata.exe num.

训练参考来自 ：http://blog.****.net/firehood_/article/details/8433077

注：训练时候的图片必须是要大小相同的，这样识别的地方才一直。