tesseract-ocr的使用

Tesseract -v

——显示出tesseract的版本号则表示安装，及环境变量配置成功。否则根据提示检查安装失败原因

Tesseract的环境变量的设置：

1. 配置环境变量Path中加入C:\ProgramFiles (x86)\Tesseract-OCR
2. 新建变量TESSDATA_PREFIX，填入C:\Program Files (x86)\Tesseract-OCR\tessdata。

Tesseract工具没有可视化的界面使用，只能在命令行中使用。

用下面命令将图片转成txt文档：

——Tesseract 图片路径 结果文件名 -l 语言（语言英文为eng，简体中文为chi_sim）

与tesseract配套使用的是它的训练工具，需要安装java的jre。

训练工具的使用步骤如下：

1. 修改图片格式为tif，文件名称为[lang].[fontname].exp[num].tif(lang为自定义字库，fontname为字体名)
2. 打开jTessBoxEditorFX训练工具，tools下拉菜单下打开merge Tiff选择所有样本图片合成一个tif文件（normal.certificate.exp.tif）。
3. 生成box文件：tesseract normal.certificate.exp.tif normal.certificate.exp -l chi_sim batch.nochopmakebox
4. 在Box Editor窗口下打开刚生成的zlc.certificate.exp.tif，工具会自动关联到相对应的box文件。
5. 使用tesseract生成.tr训练文件：tesseract normal.certificate.exp.tif normal.certificate.expnobatch box.train
6. 生成字符集文件，执行完后会在当前目录生成名为“unicharset”的文件：unicharset_extractor.exe normal.certificate.exp.box
7. 生成shape文件，执行完后生成shapetable和normal.unicharset两个文件：shapeclustering -F font_properties -U unicharset -O normal.unicharset normal.certificate.exp.tr
8. 生成聚字符特征文件：mftraining -Ffont_properties -U unicharset -O normal.unicharset normal.certificate.exp.tr
9. 生成字符正常化特征文件，会生成normproto文件：cntraining.exe normal.certificate.exp.tr
10. 文件重命名：rename normproto zlc.normproto

rename inttemp normal.inttemp

rename pffmtable normal.pffmtable

rename shapetable normal.shapetable

11.生成zlc.traineddata文件combine_tessdata zlc.

12.将上一步生成的zlc.traineddata文件放入tessdata文件夹下面。

使用总结：使用自己训练的字库仍然准确不不高，该工具是根据明暗程度分辨字迹的。也有可能是我还未摸索到更好的使用方法。分享本篇文章是为了记录我摸索该工具的过程，也希望大家有更好的使用方法也可以评论出来。我们一起交流。