Tesseract-OCR 字元識別---樣本訓練 圖片識別訓練
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。地址為http://code.google.com/p/tesseract-ocr/。
使用預設的語言庫識別
1.安裝Tesseract
從http://code.google.com/p/tesseract-ocr/downloads/list下載Tesseract，目前版本為Tesseract3.02。因為只是測試使用，這裡直接下載winodws下的安裝檔案tesseract-ocr-setup-3.02.02.exe。安裝成功後會在相應磁碟上生成一個Tesseract-OCR目錄。通過目錄下的tesseract.exe程式就可以對影象字元進行識別了。 2.準備一副待識別的影象，這裡用畫圖工具隨便寫了一串數字，儲存為number.jpg，如下圖所示：
3. 開啟命令列，定位到Tesseract-OCR目錄，輸入命令：
- tesseract.exe number.jpg result -l eng
其中result表示輸出結果檔案txt名稱，eng表示用以識別的語言檔案為英文。
3. 開啟Tesseract-OCR目錄下的result.txt檔案，看到識別的結果為7542315857，有3個字元識別錯誤，識別率還不是很高，那有沒有什麼方法來提供識別率呢？
其實Tesseract提供了一套訓練樣本的方法，用以生成自己所需的識別語言庫。下面介紹一下具體訓練樣本的方法。
訓練樣本
2. 獲取樣本影象。用畫圖工具繪製了5張0-9的文樣本影象（當然樣本越多越好），如下圖所示：
- tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox
生成的BOX檔案為num.font.exp0.box，BOX檔案為Tessercat識別出的文字和其座標。
注：Make Box File的命令格式為：
- 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。
5.文字校正。執行jTessBoxEditor工具，開啟num.font.exp0.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。可以看出有些字元識別的不正確，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。
font_properties不含有BOM頭，檔案內容格式如下：
- <fontname> <italic> <bold> <fixed> <serif> <fraktur>
其中fontname為字型名稱，必須與[lang].[fontname].exp[num].box中的名稱保持一致。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值為1或0，表示字型是否具有這些屬性。
這裡在樣本圖片所在目錄下建立一個名稱為font_properties的檔案，用記事本開啟，輸入以下下內容：
- font 0 0 0 0 0
- 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.
將批處理通過命令列執行。執行後的結果如下：
需確認列印結果中的Offset 1、3、4、5、13這些項不是-1。這樣，一個新的語言檔案就生成了。
num.traineddata便是最終生成的語言檔案，將生成的num.traineddata拷貝到Tesseract-OCR-->tessdata目錄下。可以用它來進行字元識別了。
使用訓練後的語言庫識別
用訓練後的語言庫識別number.jpg檔案， 開啟命令列，定位到Tesseract-OCR目錄，輸入命令：
- tesseract.exe number.jpg result -l eng
識別結果如如圖所示，可以看到識別率提高了不少。通過自定義訓練樣本，可以進行圖形驗證碼、車牌號碼識別等。感興趣的朋友可以研究研究。
