tesseract-ocr的字库学习步骤(训练自己的文库)，关于ocr的对图片的解析,包括tesseract的安装（史上最全）

tesseract-ocr的字库学习步骤(训练自己的文库)

简介：在网上看了很多案列。都不是很完整。然后自己用了一天时间进行整理，第一次写文章，希望对大家有帮助。
一、安装tesseract
下载地址https://github.com/UB-Mannheim/tesseract/wiki
1.点击下面下载的这个进行运行（安装的时候有点慢）

2.点击next

3.I accept the terms of the License Agreement前的复选框打勾，点击Next。

4.Install for anyone using this computer前的复选框打勾，点击Next
5.选择需要安装的内容，点击Next。（选择语言，我安装的时候全选，安装的很慢，尽量选自己用的语言）

6…Show README前的复选框取消打勾，点击Finish。

7.安装jTessBoxEditor
安装包地址：网上很多。找不到私信联系我

8.双击jTessBoxEditor,jar运行

9.出现下面的界面则安装成功。

10.点击Tools中的Merge TIFF。

11.文件类型选择All Image Files，选择样本图片，点击打开。

12.文件名输入num.font.exp0.tif，文件类型选择TIFF，点击保存。

13.点击确定

14. 将num.font.exp0.tif文件复制到Tesseract-OCR安装目录。

15.在tesseract-ocr处打开cmd，执行下面命令，生成num.font.exp0.box
执行的命令为：
tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox

生成的box文件为num.font.exp0.box，box文件为Tesseract识别出的字符及其坐标。
注：Make Box File 文件名有一定的格式，不能随便乱取名字，命令格式为：
tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox
其中lang为语言名称，fontname为字体名称，num为序号，可以随便定义。
16.点击Box Editor ，点击open，选择照片num.font.exp0.tif（之前生成得的tif图片），出现下面的图片

17可以看出上面有些字符识别的位置不准确，可以通过该工具手动对每张图片中识别错误的字符和位置进行校正。校正完成后保存即可。
注: 这里必须修改识别错误的字符，否则做出来的traineddata文件也是错的。可以在下面的界面中修改并保存，也可以直接在traineddata文件中修改。
18. 定义字体特征文件。创建一个名称为font_properties的字体特征文件。font_properties不含有BOM头，文件内容格式如下：

其中fontname为字体名称，必须与[lang].[fontname].exp[num].box中的名称保持一致。 、 、 、、 的取值为1或0，表示字体是否具有这些属性。这里在样本图片所在目录下创建一个名称为font_properties的文件，用记事本打开，输入以下下内容：font 0 0 0 0 0这里全取值为0，表示字体不是粗体、斜体等等。

19.在D:\tesseract-ocr中写一个运行脚本num.bat
echo Run Tesseract for Training…
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train
echo Compute the Character Set…
unicharset_extractor.exe num.font.exp0.box
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr
echo Clustering…
cntraining.exe num.font.exp0.tr
echo Rename Files…
rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable
echo Create Tessdata…
combine_tessdata.exe num.

20.运行num.bat,生成下面文件。num.traineddata就是训练好的字库文件了

21.测试字库文件

num1.txt 就是解析出来的结果。