2. 程式人生 > >Tesseract-OCR的Training簡明教程

Tesseract-OCR的Training簡明教程

阿新 • • 發佈：2019-01-22

引言： Tesseract雖然功能強大，但是依然由於圖片本身諸多的干擾因素和識別能力，存在諸多的識別率不高和資訊不準確的問題，Training的過程則可以提升起識別的準確率， 本文將介紹如何train tesseract-ocr。

1.  關於Training

   Tesseract雖然很強，且可以處理各類的文字轉換，但是我們的目標圖片並非如我們所期沒有各類的干擾因素；在實際的情況下，各類的干擾因素將導致我們的識別準確率和效果大幅度下降；針對這類問題，Tesseract提供了Training的各類工具和過程，以期提升其識別率和正確率，提供可定製化的靈活性。

  •  如何來提升輸出的質量（Improve the quality of output),   https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality
  •  Traing的介紹   https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract#introduction
  •  Testdata    https://github.com/tesseract-ocr/tessdata
  •  Training Tesseract https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract-3.00%E2%80%933.02

2.   jTessEditorBox

   jTessEditorBox是第三方提供了一個關於自定義使用者識別結合的工具，非常的好用強大，其本身是基於Java開發而成的，需要依賴JRE的執行環境，推薦使用JDK8 u40+以上版本，具體資訊可以參考其官網資訊。

   這裡做一個小說明： 直接從其官網下載非常慢，且非常容易斷線，故直接使用了baidu的離線下載，秒級下載成功；然後繞道從百度雲盤上下載。

3.  安裝好tesseract

    這裡假定已經安裝好了tesseract，如果安裝有問題，可以參考我之前寫的一篇文字，關於如何安裝tesseract的簡明教程。

4.  建立使用者自定義的原始圖片檔案

     這裡筆者自行使用window自帶的工具，建立以下4個圖片，分別寫了簡單的數字：

    

 5.  執行jTessEditorbox工具，merge圖片

      點選開啟Tool選單，點選merge，選擇多個檔案，另存在一個合成之後的檔案：

    

   在生成另外一個merged檔案之後，進行編輯和錯誤資訊的糾偏：

   

   另存檔案或者儲存檔案之後，儲存到當下目錄。

 6.. 執行tesseract命令，生成box檔案

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

E:\testdir>tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox
Tesseract Open Source OCR Engine v3.05.00dev with Leptonica
Page 1
Page 2
Page 3
Page 4
  結果會生成一個名稱為num.font.exp0的檔案，在命令執行的當下目錄。BOX檔案為Tessercat識別出的文字和其座標。

   注：Make Box File 檔名有一定的格式，不能隨便亂取名字，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。

 7. 定義字型特徵檔案。Tesseract-OCR3.01以上的版本在訓練之前需要建立一個名稱為font_properties的字型特徵檔案。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
  這裡全取值為0，表示字型不是粗體、斜體等。。

8. 生成語言檔案。在樣本圖片所在目錄下建立一個批處理檔案 num_batch.bat，輸入如下內容:

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.
然後執行這個bat檔案，執行結果資訊如下：
E:\testdir>num_batch.bat

E:\testdir>rem 執行改批處理前先要目錄下建立font_properties檔案

E:\testdir>echo Run Tesseract for Training..
Run Tesseract for Training..

E:\testdir>tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train
Tesseract Open Source OCR Engine v3.05.00dev with Leptonica
Page 1
APPLY_BOXES:
   Boxes read from boxfile:       8
   Found 8 good blobs.
Generated training data for 2 words
Page 2
APPLY_BOXES:
   Boxes read from boxfile:       8
   Found 8 good blobs.
Generated training data for 2 words
Page 3
APPLY_BOXES:
   Boxes read from boxfile:       8
   Found 8 good blobs.
Generated training data for 2 words
Page 4
APPLY_BOXES:
   Boxes read from boxfile:       8
   Found 8 good blobs.
Generated training data for 1 words

E:\testdir>echo Compute the Character Set..
Compute the Character Set..

E:\testdir>unicharset_extractor.exe num.font.exp0.box
Extracting unicharset from num.font.exp0.box
Wrote unicharset file ./unicharset.

E:\testdir>mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr
Warning: No shape table file present: shapetable
Reading num.font.exp0.tr ...
Flat shape table summary: Number of shapes = 8 max unichars = 1 number with multiple unich
Warning: no protos/configs for Joined in CreateIntTemplates()
Warning: no protos/configs for |Broken|0|1 in CreateIntTemplates()
Done!

E:\testdir>echo Clustering..
Clustering..

E:\testdir>cntraining.exe num.font.exp0.tr
Reading num.font.exp0.tr ...
Clustering ...

Writing normproto ...

E:\testdir>echo Rename Files..
Rename Files..

E:\testdir>rename normproto num.normproto

E:\testdir>rename inttemp num.inttemp

E:\testdir>rename pffmtable num.pffmtable

E:\testdir>rename shapetable num.shapetable

E:\testdir>echo Create Tessdata..
Create Tessdata..

E:\testdir>combine_tessdata.exe num.
Combining tessdata files
TessdataManager combined tesseract data files.
Offset for type  0 (num.config                ) is -1
Offset for type  1 (num.unicharset            ) is 140
Offset for type  2 (num.unicharambigs         ) is -1
Offset for type  3 (num.inttemp               ) is 710
Offset for type  4 (num.pffmtable             ) is 130474
Offset for type  5 (num.normproto             ) is 130573
Offset for type  6 (num.punc-dawg             ) is -1
Offset for type  7 (num.word-dawg             ) is -1
Offset for type  8 (num.number-dawg           ) is -1
Offset for type  9 (num.freq-dawg             ) is -1
Offset for type 10 (num.fixed-length-dawgs    ) is -1
Offset for type 11 (num.cube-unicharset       ) is -1
Offset for type 12 (num.cube-word-dawg        ) is -1
Offset for type 13 (num.shapetable            ) is 131715
Offset for type 14 (num.bigram-dawg           ) is -1
Offset for type 15 (num.unambig-dawg          ) is -1
Offset for type 16 (num.params-model          ) is -1
Output num.traineddata created successfully.
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。

9. 基於新的字元集合，進行字元識別驗證

驗證新的測試集合

   建立新的測試圖片，我們還是使用輸入數字，重新做了一個圖片：

  

    開啟命令列，我們進行OCR轉換： 

E:\testdir>tesseract newtestnum.png newresulttest -l num
Tesseract Open Source OCR Engine v3.05.00dev with Leptonica
Warning in fopenReadFromMemory: work-around: writing to a temp file

E:\testdir>
  注意： 這裡我們使用了一個新的語言型別 num，就是我們之前進行的使用者自定義的識別字符集合。

  我們檢視一下我們的識別結果集合：

12357 684
  效果還是非常棒的。

FAQ

  1.  在windows下安裝成功之後，進行tesseract的操作，碰到如下錯誤資訊： 

E:\testdir>tesseract ttest1.png test1 -l eng
Error opening data file \Program Files (x86)\Tesseract-OCR\tessdata/eng.traineddata
Please make sure the TESSDATA_PREFIX environment variable is set to the parent directory of your "tessdata" directory.
Failed loading language 'eng'
Tesseract couldn't load any languages!
Could not initialize tesseract.
   錯誤資訊的關鍵詞是tesseract_prefix的環境變數設定。

    解決辦法：  找到testData所在的目錄，預設情況下是在tesseract安裝的目錄，在環境變數中設定TESSDATA_PREFIX的環境變數為testdata所在的目錄即可。 重新執行命令即可正常使用。

參考資料

  •  JTessBoxEditor   http://vietocr.sourceforge.net/training.html    Tesseract 訓練工具
  •  Tesseract Guide  https://github.com/tesseract-ocr/tesseract/wiki   使用指南
  •  Train Tesseract  http://blog.csdn.net/yasi_xi/article/details/8763385   訓練指南

相關推薦

Tesseract-OCR的Training簡明教程

引言： Tesseract雖然功能強大，但是依然由於圖片本身諸多的干擾因素和識別能力，存在諸多的識別率不高和資訊不準確的問題，Training的過程則可以提升起識別的準確率， 本文將介紹如何train tesseract-ocr。1.  關於Training   Tesser

linux之SQL語句簡明教程---主鍵,外來鍵

兩個 drop 表格 教程 ref double last http 舉例 主鍵 (Primary Key) 中的每一筆資料都是表格中的唯一值。換言之。它是用來獨一無二地確認一個表格中的每一行資料。主鍵能夠是原本資料內的一個欄位。或是一個人造欄位 (與原本資料沒有關系的

Python簡明教程：基本概念

python1 字面意義上的常量，如2、‘This is ok‘這樣的字符串>>> print(‘a,2,3‘)a,2,32 字符串單引號（‘）使用單引號指示字符串，類似shell中的強引用，所有的空格、制表符照原樣保留。>>> print(‘This is ok‘)Thi

Python簡明教程：運算符與表達式

python Python大多數語句都包含表達式，如2+3，一個表達式可以分解為運算符和操作數。在上面的例子中，+為運算符，2和3為操作數。示例：>>> 2+35>>> 3+3*29本文出自 “一萬年太久，只爭朝夕” 博客，請務必保留此出處http://zengwj1

ArcGIS Pro 簡明教程（1）Pro簡介

配置 動畫 name app 產品 版本 鼠標拖動 nal mage ArcGIS Pro 簡明教程（1）Pro簡介 轉載地址：http://www.cnblogs.com/lazygis/p/5870545.html ArcGIS Pro 簡明教程（1）Pro簡

linux之SQL語句簡明教程---IN

ati cisc border padding store ade 例如 family cells 在 SQL 中，在兩個情況下會用到 IN 這個指令。這一頁將介紹當中之中的一個 -- 與 WHERE 有關的那一個情況。在這個使用方法下。我們事先已知道至少一個我們須

Linux Screen超簡明教程

nbsp 會話 當前 卸載 yum ubunt ref linux com 1.安裝Screen 大多數情況下，系統已經安裝好了screen。如果沒有，可以用下面的命令來安裝： CentOS系統中執行：yum install screen Debian/Ubuntu系統執行

duilib入門簡明教程 -- VS環境配置(2) （轉）

dem mil 國際 程序設計 界面 環境 消息 商業 href 原文轉自：http://www.cnblogs.com/Alberl/p/3342030.html 既然是入門教程，那當然得基礎點，因為搜索duilib相關資料時，發現有些小夥伴到處都是編譯錯誤，

duilib入門簡明教程 -- 響應按鈕事件(4) （轉）

gif attach yui world lpc handler str and lba 原文轉自 http://www.cnblogs.com/Alberl/p/3343610.html 上一個Hello World的教程裏有一句代碼是這樣的：CControl

mysql master-slave mycat 安裝簡明教程

mysql mycat master 一、數據庫基本安裝1.down mysql-5.6.37-linux-glibc2.12-x86_64.tar.gz2.install# yum install -y perl perl-Data-Dumper libaio# mv mysql-5.6.37-

Mockito 簡明教程

spa ace was imp comment 處理 允許 ng- 相等 原文同步至 http://waylau.com/mockito-quick-start/ Mock 測試是單元測試的重要方法之一。本文介紹了基於 Java 語言的 Mock 測試框架 — Mockit

AWK 簡明教程

unix系統簡明教程 命令

目錄文件 pub 文件類型 swd 更新 在線用戶 ctu sci oct who 顯示電腦用戶信息 liu :0 Oct 6 13:17 (:0)liu pts/2 Oct 6 13

OAuth 白話簡明教程－簡述

2.0 不用 社區 author blank client 如果 -c erl 轉自：http://www.cftea.com/c/2016/11/6702.asp 怎麽讀？ /‘?u ‘??θ/ 1.0、2.0？ OAuth 1.0 比較復雜，沒流行起來，2.0 修改

SaltStack簡明教程

ash targe width ota sum latest 不存在 ipaddress hang 第1章 SaltStack簡明教程 1.1 SaltStack簡介 SaltStack是基於Python開發的一套C/S架構配置管理工具（功能不僅僅是配置管理，如使用salt

【技術翻譯】支持向量機簡明教程及其在python和R下的調參

sel machine 線性 線上 ont 投影 vars 不一定 .cn 原文: Simple Tutorial on SVM and Parameter Tuning in Python and R 介紹 數據在機器學習中是重要的一種任務，支持向量機(SVM)

python中sys.argv的說明（讀《python簡明教程》的困惑解答）

pan span for 源文件 後來 clas using str 過多 在閱讀《python簡明教程》的時候，第8章、14章有對sys模塊的使用，其中關於sys.argv的說明有一點困惑，讓自己思索了好久，後來才恍然大悟，在這裏分享一下我所理解到的，以便於和我有一樣困惑

搭建Laravel項目集成開發環境簡明教程

PHP Web開發 Laravel PhpStorm Composer phpRE+Composer+PhpStorm+Laravel安裝與配置 既然人生苦短，我們還是盡量不要浪費大家的寶貴時光。你可能體驗了“著名的WordPress五分鐘建站”，下面你即將體驗到的是從沒有搭建PHP運行開

Python3 簡明教程學習（上）

UNC 格式 wysiwyg 常見 文本 ubuntu 存在 eve gnu 一、開始 Python 之旅交互模式 1.Ctrl + D 輸入一個 EOF 字符來退出解釋器，也可以鍵入 exit() 來退出 2.#!/usr/bin/env python3 中#!稱為 S

[原]配置多個密鑰免密碼登錄服務器簡明教程

git user 免密碼登錄 可能 編輯 cati 端口 color 賬戶 客戶端：MacOS 服務端：CentOS 其他系統操作類似。 1. 客戶端生成密鑰。 ssh-keygen -t rsa -C "mac" ＊ －C 是註釋的意思，如果你有多個密鑰，價格註釋