Tesseract-OCR4.0识别中文与训练字库实例

关于中文的识别，效果比较好而且开源的应该就是Tesseract-OCR了，所以自己亲身试用一下，分享到博客让有同样兴趣的人少走弯路。

文中所用到的身份证图片资源是百度找的，如有侵权可联系我删除。

一、准备工作

1、下载Tesseract-OCR引擎，注意要3.0以上才支持中文哦，按照提示安装就行。
最后下载4.0版本

2、下载chi_sim.traindata字库。要有这个才能识别中文。下好后，放到Tesseract-OCR项目的tessdata文件夹里面。
https://github.com/tesseract-ocr/tessdata/blob/master/chi_sim.traineddata

3、下载jTessBoxEditor，这个是用来训练字库的。
https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/jTessBoxEditor-1.7.3.zip/download

为了识别方便建议放到环境变量中.

二、识别

1、进入cmd，进入到要识别的图片的路径下。
-解决bug
出现了这个错误. 下面的意思就是说不能加载’eng’语言包。请将tessdata的父文件夹路径设置为TESSDATA_PREFIX环境变量值，这个就是说在环境变量中新建一个系统变量，变量名称为TESSDATA_PREFIX，tessdata是放置语言包的文件夹，一般在你安装tesseract的目录下，即tesseract的安装目录就是tessdata的父目录，把TESSDATA_PREFIX的值设置为它就行了

2、输入命令

tesseract 图片名称生成的结果文件的名称字库
例如我的图片识别就是：
tesseract test.jpg result -l chi_sim

识别完后会生成result.txt文件

三、训练

1、将图片转换成tif格式，用于后面生成box文件。可以通过画图，然后另存为tif即可。

更改图片名字，这个是有要求的=。=

tif文面命名格式[lang].[fontname].exp[num].tif
lang是语言 fontname是字体
比如我们要训练自定义字库 mjorcen字体名normal
那么我们把图片文件重命名 mjorcen.normal.exp0.jpg在转tif。
2、生成box文件。

tesseract mjorcen.normal.exp0.jpg mjorcen.normal.exp0 -l chi_sim batch.nochop makebox

box文件和对应的tif一定要在相同的目录下，不然后面打不开。

3、打开jTessBoxEditor矫正错误并训练

打开train.bat

找到tif图，打开，并校正。切换到图片所指的路径

出现乱码这是因为你软件设置字体的问题

在setting>font 设置中文字体

进行矫正主要就是坐标位置的调整,注意添加需要选择上一个文字才能分离

转载于:https://www.cnblogs.com/dgwblog/p/8728474.html

Tesseract-OCR4.0识别中文与训练字库实例相关推荐

Tesseract-ocr识别中文并训练字库操作指南
Tesseract-ocr识别中文并训练字库操作指南一.Tesseract-ocr识别中文 1.Tesseract-ocr下载 2.中文语言包下载 Tesseract中文语言包 chi_sim.tr ...
Tesseract怎么识别中文
前言经过上一篇文章,我们已经成功安装了Tesseract4.0,并且可以识别出英文了 https://blog.csdn.net/qq_43576028/article/details/102907 ...
Tesseract-OCR 安装、中文识别与训练字库
简介 OCR(Optical Character Recognition):光学字符识别,是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过检测暗.亮的模式确定其形状,然后用字符识别方法将形 ...
Tesseract识别图片提取文字字库训练
文中测试了3.0和4.0两个版本.发现3.0识别效率不准确,需要训练词库.4.0识别效率就比较高了,而且支持结果生成pdf.txt等格式.所以推荐使用4.0版本. 这个工具可以用在爬虫的时候获取验证码 ...
【转载】Windows下Tesseract4.0识别与中文手写字体训练
一 . tesseract 4.0 安装及使用 1. tesseract 4.0 安装安装包下载地址: http://digi.bib.uni-mannheim.de/tesseract/tesse ...
Windows下Tesseract4.0识别与中文手写字体训练
一 . tesseract 4.0 安装及使用 1. tesseract 4.0 安装安装包下载地址: http://digi.bib.uni-mannheim.de/tesseract/tesse ...
java零碎要点---Tesseract 3.0,Java OCR 图像智能字符识别技术，可识别中文
2.Java OCR 图像智能字符识别技术,可识别中文几天一直在研究OCR技术,据我了解的情况,国内最专业的OCR软件只有2家,清华TH-OCR和汉王OCR,看了很多的OCR 技术发现好多对英文与 ...
java ocr识别中文_java零碎要点—Tesseract 3.0,Java OCR 图像智能字符识别技术，可识别中文 | 学步园...
2.Java OCR 图像智能字符识别技术,可识别中文几天一直在研究OCR技术,据我了解的情况,国内最专业的OCR软件只有2家,清华TH-OCR和汉王OCR,看了很多的OCR 技术发现好多对英文与数 ...
从头开始训练自己的 Tesseract 5 LSTM 识别库（超详细）
最新工作中涉及到OCR的内容,用了百度的OCR精度不错,但是速度有点慢,看网上有提到Tesseract这一开源的项目,下载试了一试发现速度是比百度快不少,但是精度差很多,所以研究了下怎么可以提高识别的 ...
python图片显示英文字符_Python中利用Tesseract软件来识别图片中的英文与中文
OCR与Tesseract介绍将图片翻译成文字一般被称为光学文字识别(Optical Character Recognition,OCR).可以实现OCR 的底层库并不多,目前很多库都是使用共同的几 ...

Tesseract-OCR4.0识别中文与训练字库实例

Tesseract-OCR4.0识别中文与训练字库实例相关推荐

最新文章

热门文章