本人最近在做字元識別，所以自行在網上尋找方法，接觸到tesseract，自己按照網上方法做的時候，也遇到一些問題，解決了一些。所以我決定寫下我第一個部落格，一是方便自己以後檢視，更新學習。二是方便和網友交流學習。

Tesseract介紹

         Tesseract是一個開源的OCR（Optical Character Recognition，光學字元識別）引擎，可以識別多種格式的影象檔案並將其轉換成文字，目前已支援60多種語言（包括中文）。 Tesseract最初由HP公司開發，後來由Google維護，目前釋出在Googel Project上。

       安裝Tesseract，從

http://code.google.com/p/tesseract-ocr/downloads/list下載Tesseract，3.01上的版本支援中文。安裝後在電腦上會有一個Tesseract-OCR目錄，通過目錄錄下的tesseract.exe程式就可以對影象的字元進行識別。考慮到萬一有人上不了谷歌，這個Tesseract-OCR資料夾我也上傳了，地址：點選開啟連結。資料夾中除了Tesseract的相應檔案外，還有一個tesseract-vs2013-include-lib-dll檔案，這個是VS2013用來呼叫API的配置檔案，後面的部落格會寫到。開啟如圖所示。

使用預設的語言庫識別

     準備一張待識別的圖片，我選取一段《成都》的歌詞。

     接著就可以開啟命令列，進入Tesseract-OCR的目錄，輸入：

tesseract.exe gc.jpg result -l chi_sim

    其中result表示輸出結果檔案txt名稱，chi_sim表示用以識別的語言檔案為英文。執行後文件夾中會多一個result.txt。

    效果非常不好，因為很多漢字是左右結構，比如：眼淚。所以我要自己訓練自己的中文庫。

訓練樣本

     訓練樣本需要一個工具，jTessBoxEditor，下載地址：點選開啟連結。這個工具是用java開發的，需要jre7以上的版本支援。   

    1、獲取訓練的圖片，為了方便我使用了原來的圖片一張，樣本當然是越多越好。

    2、合併樣本檔案，開啟jTessBoxEditor，點開train.bat。在選單欄中Tools->Merge TIFF。在彈出的視窗中可以選擇多張樣本圖片（網上之前有說要.tif格式的圖片，測試.jpg格式的也行），我這邊就用了一張樣本圖片。

      一張或者多張圖片可以合成一張tif檔案。

      3、生成box檔案， 開啟命令列，輸入：

tesseract.exe gc.font.exp1.tif gc.font.exp1 batch.nochop makebox

      生成的BOX檔案為gc.font.exp1.box，BOX檔案為Tessercat識別出的文字和其座標。Make BOX的命名的個數為：

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

      其中lang為語言名稱，fontname為字型名稱，num為序號，可以隨便定義。有些部落格說對於這個命名無所謂，但是我嘗試到後免出錯了，是tr檔名的問題，在下面我會貼出報錯圖。讀者也可以試試，不知是不是我之前步驟哪裡做錯了。

      4、文字矯正，開啟jTessBoxEditor工具，開啟gc.font.exp1.tif檔案（必須將上一步生成的.box和.tif樣本檔案放在同一目錄），如下圖所示。可以看出有些字元分割和識別都不正確，可以通過該工具手動對每張圖片中識別錯誤的字元進行校正。校正完成後儲存即可。（注：發現中文打不上去，在選單Setting->Font中可以修改，改為宋體即可）

         對於標定的方框以及識別的字元進行修改。

        選擇兩個或兩個以上的框，Merge可進行合併；Split將框進行拆分；Insert插入框，如果圖片上一個框也沒有，那無法進行插入；Delete刪除框。選擇要修改的字元框，在Character中輸入想要修改的字，再點選齒輪，即可修改。修改後，如下圖所示：

         5、生成.tr檔案，在命令列中輸入：

tesseract gc.font.exp1.tif  gc.font.exp1  nobatch box.train

         6、計算字符集，從生成的box檔案中提取，繼續輸入：

unicharset_extractor gc.font.exp1.box

         7、生成字型特徵檔案，在當前資料夾中新建任意名稱的檔案，裡面格式為：

<fontname> <italic> <bold> <fixed> <serif> <fraktur>

        例如：我建了一個名為font的檔案，裡面內容為：font 0 0 0 0 0 

        這個檔案可以是手動生成的txt檔案，也可以在在命令列中輸入：

echo font 0 0 0 0 0 >font

        即可。

        8、特徵訓練，繼續在命令列輸入：

mftraining -F font -U unicharset gc.font.exp1.tr

        在這一步我出現了好幾個錯誤，如下圖

       （1）Failed to load unicharset from file uncharset，這是因為剛剛的font的檔案，如果是在txt中寫的，一定要寫成font.txt，加上字尾。

      （2）feature training for Tesseract已停止工作。命令列顯現：

      Reading num.tr …       Font id = -1/0, class id = 1/13 on sample 0

      font_id >= 0 && font_id < font_id_map_.SparseSiz..\..\classify\trainingsampleset.cpp, line 622

       這個問題就是上面命名所導致的，所以還是規範命名。

       9、聚集tesseract識別的訓練檔案，命令列輸入：

cntraining gc.font.exp1.tr

        有人會說其他還有一條shapeclustering語句，說下這個步驟可有可無，這個是在3.02中新加的，主要針對印度語，所以我們在做的時候會有一個警告warning No shape table file present。

        這時候資料夾中會多了四個檔案，在unicharset，inttemp，normproto，pfftable檔名前面加上font.。如下圖所示：

      10、最後，合併相關檔案，生成字典檔案，輸入：

combine_tessdata font.

       所有輸入命令如下圖所示

        最終，在當前目錄中會產生一個為font.traineddata檔案，將其拷到tessdata資料夾中，再測試一下。

         雖然不是全部識別出來，但是較之前的識別率提高了很多，這個和樣本數量也是有關係的，而且這句話中左右結構的字特別多，原圖26個字，卻識別出31個字出來了，這個問題，我還沒想到什麼方法，單個字訓練？。我也試了其他字元訓練，效果還可以

          這是我第一次寫部落格，想到哪裡寫到哪裡，如果哪些地方寫的不恰當的，還請大神指出來，謝謝。