基于tesseract-OCR进行中文识别

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