XL2安装MAC Tesseract-OCR详细讲解

如若转载，请标明出处及链接！学而时习之，原创乐乎！

1.Tesseract-OCR

光学字符识别(OCR,Optical Character Recognition)是指对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程。

1.1Mac下安装Tesseract-OCR

使用brew安装流程

brew install libtiff

brew install libpng

brew install leptonica

brew install tesseract

验证tesseract-ocr安装成功：tesseract -v

（tesseract安装目录：/usr/local/Cellar/tesseract/3.05.01）

遇到问题：

后续为了能够在特殊需求下训练自身的样本字体，需要使用jTessBoxEditor做训练，其中一个步骤就是要使用unicharset_extractor提取字符集文件，但是提示unicharset_extractor: command not found错误原因是因为安装tesseract时候没有安装训练工具集tesseract training tools。

解决方案：

卸载原先tesseract：brew uninstall tesseract

安装tesseract：brew install --with-training-tools tesseract 提示tesseract:XQuartz is required to install this formula. X11Requirment unsatiffied!因此先安装brew cask install xquartz

1.2Mac下安装Tesseract-OCR语言包配置

首先进入GitHub官方网址：https://github.com/tesseract-ocr/tessdata下载语言包，只需要下载eng（英文）、chi_sim（中文简体）、chi_tra（中文繁体）即可。

下载完语言包后，需要将语言包放置在tesseract的tessdata目录下：示例若语言包放置在Download目录下，使用命令cd命令进入Download目录下，cp chi_sim.traineddata '/usr/local/Cellar/tesseract/3.05.01/share/tessdata' 

2.验证Tesseract-OCR

如果在Download目录下有待OCR图片1.jpg 使用命令tesseract 1.jpg output -l chi_sim 解析：-l表示language  output是输出到文件txt的名字。

删除文件使用rm output.txt

2.1Vim查看

命令vim output 打开文本，查看OCR识别效果。最后退出：按ESC，然后输入：，输入q退出。

3.训练Tesseract-OCR

对于特定需求的任务开发，tesseract-OCR识别中文的能力有限，因此需要自己定义字体训练：

3.1准备训练样本集

图片灰度化处理：convert src.jpg dest.jpg 也可使用openCV转换

图片转换成tif格式：另存为即可

合并训练样本图片：mac下打开下载的jTessBoxEditor/jTessBoxEditor.jar 菜单Tools->Merge Tiff,按住shift选择多个文件，将合并的文件命名为“lang.fontname.exp[num].tif”其中lang为语言名称，fontname为字体名称，num为序号，例子：baidu.xbu.exp6.tif

生成box文件：tesseract baidu.xbu.exp6.tif baidu.xbu.exp6 -l chi_sim batch.nochop makebox (生成的baidu.xbu.exp6.box记录它识别的每个字及其对应位置坐标)

矫正识别效果：打开jTessBoxEditor工具，open打开baidu.xbu.exp6.tif切换Box Editor,记得保存

生成font_properties(提供输出识别文字的设置字体样式信息): echo 字体名称xbu 0 0 0 0 0 >font_properties

生成训练文件：tesseract baidu.xbu.exp6.tif baidu.xbu.exp6 -l chi_sim nobatch box.train

生成字符集文件：unicharset_extractor baidu.xbu.exp6.box

生成shape: shapeclustering -F font_properties -U unicharset baidu.xbu.exp6.tr

集合字符特征文件：mftraining-F font_properties -U unicharset  -O unicharset baidu.xbu.exp6.tr

正常化：cntraining baidu.xbu.exp6.tr

合并训练文件：

cp normproto xbu.normproto

cp inttemp xbu.inttemp

cp pffmtable xbu.pffmtable

cp unicharset xbu.unicharset

cp shapetable xbu.shapetable

combine_tessdata xbu.

新增语言：

brew list tesseract

cp xbu.traineddata /usr/local/Cellar/tesseract/x.x.x/share/tessdata/

语言包合并请参考http://blog.youkuaiyun.com/why200981317/article/details/48265621