基于tesseract-OCR进行中文识别

本文详细介绍了如何在Windows环境下准备Tesseract-OCR的环境,包括下载安装、配置环境变量、编译生成自定义字库,特别是针对中文识别和数学公式的设置。通过编译Leptonica和Tesseract源码,解决可能出现的问题。在项目开发中,创建了一个使用C++和OpenCV的示例,展示了如何读取图像并进行中文和英文识别,解决了识别过程中出现的中文乱码问题。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. 环境准备

1.1 下载

下载Tesseract-OCR安装包,地址为:

https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w32-setup-v4.0.0-beta.1.20180608.exe

 参考链接:https://github.com/tesseract-ocr/tesseract

1.2 安装

双击安装,语言库部分选择math,chinese simplified.

1.3 添加环境变量

将Tesseract-OCR安装目录加入环境变量,

 

变量名TESSDATA_PREFIX

变量值F:\Program Files (x86)\Tesseract-OCR\tessdata

1.4 测试

将以下图片保存为test.jpg,然后放在E盘根目录下

 

在cmd窗口中执行 tesseract test.jpg test.txt –l chi_sim+eng(chi_sim是中文识别包,equ是数学公式包,eng是英文包),即可将图片中的文字识别出来,识别结果如下:

 

1.5 语言库

语言库地址为:https://github.com/tesseract-ocr/tessdata

将所需要的语言库下载下来,放在F:\Program Files (x86)\Tesseract-OCR\tessdata目录下

1.6 编译生成定制的字库

采用jTessBoxEditor 生成自己的字库。

1.6.1 软件准备

首先需要安装java虚拟机10.0.2+jTessBoxEditor。

jTessBoxEditor下载地址:

 https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

这里我们下载jTessBoxEditorFX-2.0.1.zip版本,带FX的版本,才支持中文字符编辑。

1.6.2 字库制作

字库制作具体步骤:

1.环境变量设置

解压jTessBoxEditorFX-2.0.1.zip,发现有tesseract-ocr文件夹,里面有tesseract.exe软件。因此我们要将系统中之前安装的tesseract软件卸载,将环境变量定位到当前tesseract-ocr所在文件夹。

此外还需要添加环境变量:TESSDATA_PREFIX,变量值指向

..\jTessBoxEditorFX\tesseract-ocr\tessdata

 

2.图片准备

我们希望制作一个数字字库,能够识别以下字体的数字。

 

我们将上面图片中的每一行保存成一个小图片。然后打开然后用java虚拟机打开jTessBoxEditorFX.jar。

选择 Tools -> Merge TIFF,打开对话框,选择训练样本所在文件夹,并选中所有要参与训练的样本图片,注意对话框中“文件类型”的选取:

 

点击 “打开” 之后弹出保存对话框,还是选择在当前路径下保存,文件命名为 “num_my.font.exp0.tif” ,格式只有一种 “TIFF” 可选:

 

点击 “保存” 之后在指定路径下生成所有样本的 “合并” 图片 chi_my.font.exp0.tif。

3.使用tesseract生成.box文件

在上一步骤中生成的 “num_my.font.exp0.tif” 文件所在路径下打开命令行程序,执行以下命名:

tesseract num_my.font.exp0.tif num_my.font.exp

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值