Tesseract 3.02 OCR文字识别调查记录

安装使用：

Tesseract下载地址

https://code.google.com/p/tesseract-ocr/

目前最新版本为3.02

windows版下载解压后，使用命令行，进入解压后目录运行

命令格式：

Usage:tesseract.exe imagename outputbase [-l lang] [-psm pagesegmode]
e...]pagesegmode values are:
0 = Orientation and script detection (OSD) only.
1 = Automatic page segmentation with OSD.
2 = Automatic page segmentation, but no OSD, or OCR
3 = Fully automatic page segmentation, but no OSD. (Default)
4 = Assume a single column of text of variable sizes.
5 = Assume a single uniform block of vertically aligned text.
6 = Assume a single uniform block of text.
7 = Treat the image as a single text line.
8 = Treat the image as a single word.
9 = Treat the image as a single word in a circle.
10 = Treat the image as a single character.
-l lang and/or -psm pagesegmode must occur before anyconfigfile.Single options:-v --version: version info--list-langs: list available languages for tesseract engine

命令举例：

F:\Tesseract-OCR>tesseract.exe 2013-09-05_154628.jpg eng -l eng -psm 6

相关命令列表：

功能	命令
	ambiguous_words.exe
	classifier_tester.exe
	cntraining.exe
整合训练文件	combine_tessdata.exe
	dawg2wordlist.exe
	mftraining.exe
	shapeclustering.exe
识别程序	tesseract.exe
	unicharset_extractor.exe
	wordlist2dawg.exe

字库训练

需要的字库文件参考代码：

tesseract-ocr\ccutil\tessdatamanager.h

对字库相关的配置文件的格式要求：

ASCII or UTF-8 encoding without BOM

Unix end-of-line marker ('\n')

The last character must be an end of line marker ('\n'). Some text editors will show this as an empty line at the end of file. If you omit this you will got error message containing "last_char == '\n':Error:Assert failed..."

步骤：

1.生成训练图片

几个原则：

保证每个字符出现的频率一般10次，常用字20次，不常用字5次；

不能把特殊字符都放在一起，应该用更加接近实际使用的组合；

非常重要：在字符和行之间保持一定的间隔，否则可能导致失败。（可能在3.0之后的版本修复）

训练的数据需要以font分组，相同font的文字需要放在同一个tiff文件中，(支持多页page)

除非字体太小（高度小于15px），没有必要做不同尺寸的训练；

绝对不可以在同一个image文件中混杂多种字体

（可以参考下载页中的boxtiff文件样例）

Next print and scan (or use some electronic rendering method) to create an image of your training page. Upto 32 training files can be used (of multiple pages). It is best to create a mix of fonts and styles (but in separate files), including italic and bold.

生成tiff文件

2.制作box文件

生成box文件命令：

tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox

例：

tesseract eng.timesitalic.exp0.tif eng.timesitalic.exp0 batch.nochop makebox

3.得到一个新的字符集

其他

参考文档：

解压后doc目录中有API说明

--end--

转载于:https://www.cnblogs.com/rakuhin/p/3303720.html

Tesseract 3.02 OCR文字识别调查记录相关推荐

Windows下使用Tesseract进行OCR文字识别
Windows下使用Tesseract进行OCR文字识别 Tesseract最初由惠普实验室支持,用于电子版文字识别,1996年被移植到Windows上,1998年进行了C++化,在2005年Tess ...
Tesseract Ocr文字识别实战（新版本，扩展手写文字识别）
目录 1.Tesseract Ocr文字识别 1.1 运行环境 1.2 python模块 1.3 配置tesseract运行文件 1.4 代码识别 2. 手写汉字识别 2.1 下载库 2.2 代码 1 ...
OCR文字识别笔记总结
OCR的全称是Optical Character Recognition,光学字符识别技术.目前应用于各个领域方向,甚至这些应用就在我们的身边,比如身份证的识别,交通路牌的识别,车牌的自动识别等等.本 ...
opencv学习笔记五--文件扫描+OCR文字识别
opencv学习笔记五--文件扫描+OCR文字识别文件扫描定义函数边缘检测获取轮廓变换 OCR文字识别环境配置代码文件扫描 # 导入工具包 import numpy as np imp ...
通用印刷体文字识别_五个超级实用的OCR文字识别小程序，完全免费、值得收藏！...
平常大家做ppt时可能经常会遇到一些无法复制的文字(图片中的文字)或者看书时遇到一些不错的句子想要保存下来,这时,你就需要一个OCR文字识别工具帮你快速提取文字,而这些文字识别工具现在有很多,有付费的 ...
GitHub开源：支持100多种语言的OCR文字识别
之前为给位朋友分享过:GitHub开源:17M超轻量级中文OCR模型.支持NCNN推理,该项目仅仅支持中文OCR识别,本篇博文将分享支持100多种语言的OCR文字识别项目:Tesseract OCR. ...
ocr文字识别技术有什么意义
OCR(Optical Character Recognition,光学字符识别)是一种将印刷体或手写字转换成电子文本的技术.OCR文字识别技术有以下意义: 提高工作效率:OCR文字识别技术可以将印刷 ...
如何精准实现OCR文字识别？
欢迎大家前往腾讯云+社区,获取更多腾讯海量技术实践干货哦~ 本文由云计算基础发表于云+社区专栏前言 2018年3月27日腾讯云云+社区联合腾讯云智能图像团队共同在客户群举办了腾讯云OCR文字识别-- ...
完全免费的OCR文字识别软件
今天我要分享给大家的是两款完全免费的OCR文字识别软件,而且这两款软件都是本地版无需联网就能使用,而且没有使用次数的限制. 软件准备好了: 链接: 百度网盘请输入提取码提取码: 6666 01软件 ...

Tesseract 3.02 OCR文字识别调查记录

Tesseract 3.02 OCR文字识别调查记录相关推荐

最新文章

热门文章