Python3.x：pytesseract識別率提高（樣本訓練）

1，下載並安裝3.05版本的tesseract

　地址：https://sourceforge.net/projects/tesseract-ocr/

2，如果你的訓練素材是很多張非tif格式的圖片，首先要做的事情就是將這麽圖片合並（個人覺得素材越多，基本每個字母和數字都覆蓋了訓練出來的識別率比較好）

　下載這個工具：VietOCR.NET-3.3.zip

　地址：http://sourceforge.net/projects/vietocr/files/latest/download?source=files

　首先進行jpg,gif,bmp到tif的轉換，這個用自帶的畫圖就可以。然後使用VietOCR.NET-3.3進行多張 tif的merge。

3，Make Box Files。在orderNo.tif所在的目錄下打開一個命令行，輸入

　C:\Program Files\Tesseract-OCR>tesseract.exe lang.jhy.exp8.TIF lang.jhy.exp8 batch.nochop makebox

4， 使用jTessBoxEditor打開orderNo.tif文件，需要記住的是第2步生成的orderNo.box要和這個orderNo.tif文件同在一個目錄下。逐個校正文字，後保存。

　下載jTessBoxEditor工具進行每個自的糾正（註意有nextpage逐頁進行糾正）

　地址：http://sourceforge.net/projects/vietocr/files/

5，Run Tesseract for Training。輸入命令：

　C:\Program Files\Tesseract-OCR>tesseract.exe lang.jhy.exp8.TIF lang.jhy.exp8 nob

　atch box.train

6，Compute the Character Set。輸入命令：

　C:\Program Files\Tesseract-OCR>unicharset_extractor.exe lang.jhy.exp8.box

　Extracting unicharset from lang.jhy.exp8.box

　Wrote unicharset file ./unicharset.

7，新建文件“font_properties”。如果是3.01版本，那麽需要在目錄下新建一個名字為“font_properties”的文件，並且輸入文本:（這裏的jhy就是lang.jhy.exp8的中間字段）

　jhy 1 0 0 1 0

8，Clustering。輸入命令：

　C:\Program Files\Tesseract-OCR>cntraining.exe lang.jhy.exp8.tr

　Reading lang.jhy.exp8.tr ...

　Clustering ...

　Writing normproto ...

9， 此時，在目錄下應該生成若幹個文件了，把unicharset, inttemp, normproto, pfftable這幾個文件加上前綴“selfverify.”。然後輸入命令：

必須確定的是1、3、4、5、13行的數據不是-1，那麽一個新的字典就算生成了。

此時目錄下“selfverify.traineddata”的文件拷貝到tesseract程序目錄下的“tessdata”目錄。

以後就可以使用該該字典來識別了，例如：

tesseract.exe test.jpg out –l selfverify

Python3.x：pytesseract識別率提高（樣本訓練）