轉自
Tesseract，一款由HP實驗室開發由Google維護的開源OCR（Optical Character Recognition , 光學字元識別）引擎，與Microsoft Office Document Imaging（MODI）相比，我們可以不斷的訓練的庫，使影象轉換文字的能力不斷增強；如果團隊深度需要，還可以以它為模板，開發出符合自身需求的OCR引擎。

原始碼地址為：https://github.com/tesseract-ocr/tesseract；

EXE可執行檔案地址：http://download.csdn.net/download/whatday/7740469；

接下來，我們將在Windows環境下安裝Tesseract並實現簡單的轉換和訓練：

Tesseract實現

大體流程：Tesseract安裝 -> 開啟命令列 -> 生成目標檔案

Tesseract安裝

下載tesseract-ocr-setup-3.02.02.exe安裝包，安裝成功後會在相應磁碟下有Tesseract-OCR資料夾，如圖

開啟命令列

開啟命令列，輸入tesseract，回車；以下便是tesseract的大體面貌：

生成目標檔案

先準備一張圖片檔案，如test.png

將命令列切換至目標影象檔案目錄，比如我們轉換檔案為test.png（圖片檔案允許多種格式），位於C:\Users\Lian\Desktop\test；然後在命令列中輸入

tesseract test.png output_1 –l eng

【語法】: tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile…]

imagename為目標圖片檔名，需加格式字尾；outputbase是轉換結果檔名；lang是語言名稱（在Tesseract-OCR中tessdata資料夾可看到以eng開頭的語言檔案eng.traineddata），如不標-l eng則預設為eng。

開啟檔案output_1.txt，發現tesseract成功的將影象轉換成152408。

可喜可賀，說明老牌名將tesseract還是很強的！但是還是有點不夠準確，那麼我們有沒有什麼辦法能提高tesseract識別字符準確率呢？接下來，我們將使用配套訓練工具jTessBoxEditor

Tesseract訓練：

大體流程為：安裝jTessBoxEditor -> 獲取樣本檔案 -> Merge樣本檔案 –> 生成BOX檔案 -> 定義字元配置檔案 -> 字元矯正 -> 執行批處理檔案 -> 將生成的traineddata放入tessdata中

安裝jTessBoxEditor

下載jTessBoxEditor，地址https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/；解壓後得到jTessBoxEditor，由於這是由Java開發的，所以我們應該確保在執行jTessBoxEditor前先安裝JRE（Java Runtime Environment，Java執行環境）。

獲取樣本檔案

我們可以用畫圖工具繪製樣本檔案，數量越多越好，我自己畫了5張圖，如圖：

【注意】：樣本影象檔案格式必須為tif\tiff格式，否則在Merge樣本檔案的過程中會出現 Couldn’t Seek 的錯誤。

Merge樣本檔案

開啟jTessBoxEditor，Tools->Merge TIFF，將樣本檔案全部選上，並將合併檔案儲存為num.font.exp0.tif

生成BOX檔案

開啟命令列並切換至num.font.exp0.tif所在目錄，輸入，生成檔名為num.font.exp0.box

tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox

【語法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox

lang為語言名稱，fontname為字型名稱，num為序號；在tesseract中，一定要注意格式。

定義字元配置檔案

在目標資料夾內生成一個名為font_properties的文字檔案，內容為

font 0 0 0 0 0  

【語法】： <fontname> <italic> <bold> <fixed> <serif> <fraktur>

fontname為字型名稱，italic為斜體，bold為黑體字，fixed為預設字型，serif為襯線字型，fraktur德文黑字型，1和0代表有和無，精細區分時可使用。

字元矯正

開啟jTessBoxEditor，BOX Editor -> Open，開啟num.font.exp0.tif；矯正<Char>上的字元，記得<Page>有好多頁噢！

修改後記得儲存。

執行批處理檔案

在目標目錄下生成一個批處理檔案

rem 執行改批處理前先要目錄下建立font_properties檔案 

echo Run Tesseract for Training.. 
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train 
 
echo Compute the Character Set.. 
unicharset_extractor.exe num.font.exp0.box 
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr 


echo Clustering.. 
cntraining.exe num.font.exp0.tr 

echo Rename Files.. 
rename normproto num.normproto 
rename inttemp num.inttemp 
rename pffmtable num.pffmtable 
rename shapetable num.shapetable  

echo Create Tessdata.. 
combine_tessdata.exe num. 

echo. & pause

儲存後執行即可，執行結果如圖：

最終資料夾內會有以下檔案，如圖：

將生成的traineddata放入tessdata中
最後將num.trainddata複製到Tesseract-OCR中tessdata資料夾即可。

最後的測試

按照之前步驟，使用命令列輸入

tesseract test.png output_2 -l num

我們可以看到新生成的檔案output_2的內容為762408，內容完全正確。細心的人會發現，最後一句指令，我們使用了指令[-l num]而不是[-l eng]。這說明，最後一次轉換我們使用的是新生成的num語言的匹配庫而不是預設的eng語言匹配庫。