Tesseract-OCR 入门

2021-01-14 11:57 · 约 14,656 字 · 浏览 3,695 次OCR

Tesseract-OCR 入门

Tesseract-OCR -01-Tesseract 介绍

OCR(Optical Character Recognition)：

光学字符识别,是指对图片文件中的文字进行分析识别，获取的过程
Tesseract - OCR 引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从此尘封
数年以后，HP 意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生
在2005年，Tesseract 由美国内华达州信息技术研究所获得，并求诸于 Google 对 Tesseract 进行改进、消除Bug、优化工作，Tesseract 由惠普公司宣布开源
从2006年到现在，都由 Google 公司开发维护

Tesseract - OCR 特性

目前，Tesseract可以识别超过100种语言。也可以用来训练其它的语言
源码包提供了一个OCR的引擎——libtesseract 以及一个命令行程序——tesseract.exe
Tesseract 支持多种输出格式，如：普通文本、html、pdf 等

对于开发者

开发者可以使用libtesseract的C/C++接口来构建自己的程序
Tesseract从源码生成的文档可以在tesseract-ocr.github.io中找到

Windows下 Tesseract-OCR 的安装

Tesseract-OCR Windows安装包下载：https://digi.bib.uni-mannheim.de/tesseract/
上面链接看着头疼就下我的网盘里的：
链接：https://pan.baidu.com/s/13KRXi-2FCkA9_6MBQ_wxeg 密码：gtp1
注意：安装的最后的时候，会有个最下面的项没有选中，选中它
安装的话就默认安装就好，如果选中那个在线安装包，会很慢，耐心等下
路径记住，配置环境要用

Windows下 Tesseract-OCR 的环境变量配置

1.打开 Tesseract-OCR 的安装目录，拷贝路径
2.在【此电脑】右键，点击【属性】，找到【环境变量】
3.找到用户变量和系统变量两个【Path】项点开，都添加刚才拷贝的Tesseract 的安装路径
4.再找到【系统变量】，新建一个变量名称为：TESSDATA_PREFIX
值为：刚才路径加上 \tessdata

Tesseract 环境终于配置完成，去测试咯！

Tesseract-OCR 的文字识别测试

找一个需要识别的图片，比如这个test.jpg https://xpwi.github.io/Photos/p/test.jpg。放在一个好找的目录，最好是 D:\photos 这样的
打开 cmd 进入该图片的文件夹
- 使用 cd 目录名进入目录
- 使用 cd.. 返回上一级目录
敲入： tesseract test.jpg output_1
操作截图：

运行结果：

这里图片中的数字，有一个是识别错误的，就需要使用更多的数字去训练，才可以得到更高的准确率，关于训练数据，后面再介绍，关注我哦！

Tesseract-OCR 图片文字识别

使用 Tesseract-OCR 做图片文字识别，识别手写文字的时候，正确率能达到 90%，当训练后正确率是极高的。这里介绍的图片文字识别，可以识别英文，数字和中文等。

Tesseract：一款由HP实验室开发由Google维护的开源OCR，我们可以不断的训练的库，使图像转换文本的能力不断增强；如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎
我搜集了几个素材，懒得找可以直接下载：
https://pan.baidu.com/s/10XxYJa19KIa8-ENdQkhhHg
这里我是将图片放在了：D:\p
我们需要在 cmd 进入此目录
使用 cd 目录名进入目录
使用 cd.. 返回上一级目录
使用 Tesseract 命令：
tesseract 文件名保存的txt文件名 -l eng 例：

tesseract num1.jpg num1

这里 -l eng 是设置语言，不写的话，默认是 eng 也就是英语
结果：
注意：
1.这里如果报错 Tesseract 不是内部或外部命令，就是环境变量没有配置好参照：
https://blog.csdn.net/qq_40147863/article/details/82285920
2.如果识别的图片文字是中文会提示，0个文字

识别手写英文

识别图片 eng2.jpg
输入命令：保存为 eng2.txt
我们对比一下结果：
这里是识别错了一个字母，把 ig 错误的识别成 S，包括上面那张数字也是错了一个
那也就是我们要努力的方向了

识别中文

这里识别中文只需要将 -l 参数改成 chi_sim 例如：
对有中文文字的图片 chi1.jpg ，进入图片路径，使用一下命令：

**tesseract chi1.jpg chi1 -l chi_sim **

图片样式：
执行命令：
运行结果：

识别英文和数字夹杂验证码

例如：
对图片 timg.jpg ，进入图片路径，使用一下命令：

tesseract timg.jpg timg

图片样式：
执行命令：
运行结果：

Tesseract 训练：

我们可以通过重复的训练，用更多的数据去训练，就可以达到更多高的识别正确率
我们使用 jTessBoxEditor 训练
由于 jTessBoxEditor 的安装和训练，内容比较多，我再整理一篇

Tesseract-OCR-04-使用 jTessBoxEditor 进行训练

本篇是关于 jTessBoxEditor 进行训练，使 Tesseract-OCR 文字识别准确率得到极大的提高，本篇完善了很多细节，初学者也可以看懂，一起学习吧！
想要一遍成功要细心关注【注意】，我踩过的坑都标出来了

训练的大致步骤：

1.安装 jTessBoxEditor
2.获取样本文件
3.Merge 样本文件
4.生成 .box 文件
5.定义字符配置文件
6.字符矫正
7.执行批处理文件
8.将生成的 num.trainddata 放入 Tesseract 安装目录的 tessdata 文件夹里

1.安装 jTessBoxEditor

下载jTessBoxEditor，地址https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
解压后得到jTessBoxEditor
由于这是由Java开发的，所以我们应该确保在运行jTessBoxEditor前先安装JRE（Java Runtime Environment，Java运行环境）
没有安装 jre 的可以到官网下载安装：
http://www.oracle.com/technetwork/java/javase/downloads/jre8-downloads-2133155.html
jre 安装就不仔细介绍了，因为能找到这篇的，基本都安装过了，下面介绍 jTessBoxEditor
但是呢，这个 jTessBoxEditor ，不用安装，直接解压就可以，单击解压到或者直接拉出来就可以了

2.获取样本文件

我们可以用画图工具绘制样本文件，数量越多越好，我自己画了 5 张图作为训练的数据，如图：
【注意】：样本图像文件格式必须为tif\tiff格式，否则在Merge样本文件的过程中会出现 Couldn’t Seek 的错误。
再转格式嫌麻烦就直接拿走我的：https://pan.baidu.com/s/1hoTkxMVw5z_ve9hzftLOqw

3.Merge样本文件

在安装目录找到一个【train.bat】打开 jTessBoxEditor >【Tools】>【Merge TIFF】
操作截图：
将样本文件全部选上，安装 Ctrl 键不松
【注意】：这里是没有界面化的提示的，选中后，点击【打开】，立马就是输入合成后的文件名界面，输入num.font.exp0.tif，点击【保存】
也就是将合并文件保存为 num.font.exp0.tif

4.生成BOX文件

打开 cmd 并切换至 num.font.exp0.tif 所在目录
使用 cd 目录名进入目录
使用 cd.. 返回上一级目录
输入下面命令，生成文件名为num.font.exp0.box

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

【语法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox  
【语法】：lang为语言名称，fontname为字体名称，num为序号；在tesseract中，一定要注意格式

操作截图

如果报错可能是没有进入合并好的 tif 文件目录下，也可能是没有换成自己用的文件名哦

5.定义字符配置文件

在文件夹文件夹内，新建一个文本文件，名为font_properties，删掉.txt，用记事本打开，写入内容为：

font 0 0 0 0 0

【语法】：<fontname> <italic> <bold> <fixed> <serif> <fraktur> 
【语法】：fontname为字体名称，italic为斜体，bold为黑体字，
fixed为默认字体，serif为衬线字体，fraktur德文黑字体，
1和0代表有和无，精细区分时可使用

6.准备环节

将5个tif文件，num.font.exp0.tif，生成的num.font.exp0.box文件，还有font_properties文件放在同一个目录下
目前8个文件，截图：

7.字符矫正

打开 jTessBoxEditor>【BOX Editor】> 【Open】，打开num.font.exp0.tif；矫正【Char】上的字符
操作截图：
【注意】：记得[Page]有好多页哦！修改后记得保存
当然有可能生成的 box 文件后，会多一个盒子，它把7识别成了两个
处理方式：自己根据看到的数字修改char，如果不是完整字符就敲空格，然后回车
操作截图：
然后就是依次处理 5 页
最后保存，替换原来的 box 文件

8.执行批处理文件

【注意】：执行该批处理文件前，先要目录下创建font_properties文件，也就是滴 5 步
**在目标目录下，新建一个txt文件，复制代码，重命名为 do.bat，直接更改后缀名就可以 **
代码如下

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

保存后，双击执行即可，执行后会在文件夹生成很多文件，如下：

9.拷贝 num.trainddata 文件

最后将 num.trainddata 复制到 Tesseract-OCR 安装目录下的 tessdata 文件夹
【注意】：这里是【Tesseract-OCR 安装目录下的 tessdata 文件夹】

10.大功告成，测试结果

这里我是将图片 num1.jpg 放在了：D:\p
我们需要在 cmd 进入此目录
使用 cd 目录名进入目录
使用 cd.. 返回上一级目录
使用 Tesseract 命令：
【注意】：语言参数要设置成 num，就是我们刚才拷贝的，没拷贝 num.trainddata 文件不能使用
tesseract 文件名保存的txt文件名例：

tesseract num1.jpg num01 -l num

操作截图：
运行结果：
我们可以看到新生成的文件 num01 的内容为 762408，内容完全正确。细心的人会发现，最后一句指令，我们使用了指令[-l num]而不是[-l eng]。这说明，最后一次转换我们使用的是新生成的num语言的匹配库而不是默认的 eng 语言匹配库
我们可以看到，经过简单的训练，我们对于数字数据的转换准确率提高了很多

Tesseract-05-主要API功能介绍

tesseract本身代码是由c/c++混编而成的，其中有用的简单的接口函数几乎都是在baseapi.h中
从其处理过程中，不难得出：
- 它还需要有一个image处理的类，及相关的方法；
- 这样子，读取图片后，生成image对象，再获取相关的参数；
- 当然还需要有对image对象的读取，版面分析等接口函数；
- 再次，它还定义了很多自身的数据类型，比如：BITS16、array_record、BLOCK、IMAGE等；
- 而且它具有自学的能力

现在，我们从头有调理地简单讲述一下子：

tesseract::TessBaseAPI，基础的接口函数，包含了初始化，简单的处理图片文字信息，版面分析的结果体等。
IMAGE，只是一个类，里边封装了相关的图片操作，包括图片的读取，图片参数信息的获取等。
其他，包括数据类型声明，相关结构体声明，跨平台处理，命令端参数提取等。
我们在实际中用到的就是前两个里边的东西

声明：以下函数皆是在 tesseract::TessBaseAPI 域下

1: SetImage

函数声明：

void tesseract::TessBaseAPI::SetImage ( const unsigned char * imagedata,
int width,
int height,
int bytes_per_pixel,
int bytes_per_line
)

为Tesseract 提供待识别的图片。

2：SetSourceResolution

函数声明：

void tesseract::TessBaseAPI::SetSourceResolution(int ppi)

设置源图像的分辨率（像素每英尺），可以计算最终的字体大小信息。 SetImage之后调用此函数。

3：SetRectangle

函数声明：

void tesseract::TessBaseAPI::SetRectangle ( int left,
int top,
int width,
int height
)

将识别限制到图像的一个子矩形区域，SetImage 之后调用此函数。每一次该函数调用后将清除识别结果，以便同一张图像可以进行多矩形区域的识别。

4：SetThresholder

函数声明：

void tesseract::TessBaseAPI::SetThresholder(ImageThresholder * thresholder)

在一些特殊的情况下，通常是产生一个阈值器类的子类的时候，该函数可以提供一个不同的阈值器，阈值器可能会随着图片和设定预装入，或者被随后设定。Tesseract 拥有阈值器支配权，并在它被替换或是API被析构后删除。

5：GetThresholdedImage

函数声明：

Pix * tesseract::TessBaseAPI::GetThresholdedImage()

从Tesseract获得内部阈值图像的拷贝，在SetImage 或者TesseractRect 之后可以随时别调用。注意，只有安装了Leptonica之后才可使用。

6：GetRegions

函数声明：

Boxa * tesseract::TessBaseAPI::GetRegions ( Pixa ** pixa )

以aleptonica-style Boxa, Pixa pair 格式获得页面结构分析的结果，在Recognize前后均可被调用。

7：GetTextlines

函数声明：

Boxa * tesseract::TessBaseAPI::GetTextlines ( Pixa ** pixa,
int ** blockids
)

以aleptonica-style Boxa, Pixa pair 格式获取文本行，在Recognize前后均可被调用。如果blockids（block数目）是空的话，每行block- id返回每行一个元素的数组，使用之后被删除。

8：GetStrips

函数声明：

Boxa * tesseract::TessBaseAPI::GetStrips ( Pixa ** pixa,
int ** blockids
)

以aleptonica-style Boxa, Pixa pair 格式获取图像区域的文本行和条形区域，方便后面非矩形区域的处理。在Recognize前后均可被调用

9：GetWords

函数声明：

Boxa * tesseract::TessBaseAPI::GetWords(Pixa ** pixa)

以aleptonica-style Boxa, Pixa pair 格式获取图像区域的文字，在Recognize前后均可被调用。

10：GetConnectedComponents

函数声明：

Boxa * tesseract::TessBaseAPI::GetConnectedComponents ( Pixa ** pixa )

在页面分析之后识别之间，以aleptonica-style Boxa, Pixa pair 格式获得独立连通的文本区域，在Recognize前后均可被调用。

11：GetComponentImages

函数声明：

Boxa * tesseract::TessBaseAPI::GetComponentImages ( PageIteratorLevel
level,
bool text_only,
Pixa ** pixa,
int ** blockids
)

以aleptonica-style Boxa, Pixa pair 格式获得制定级别的元素（block，textline, word），在Recognize前后均可被调用。果blockids（block数目）是空的话，每行block- id返回每行一个元素的数组，使用之后被删除。如果text_only 为真，只有text可被返回。

12：GetThresholdedImageScaleFactor

函数声明：

int tesseract::TessBaseAPI::GetThresholdedImageScaleFactor()const

返回阈值图像的比例系数，该阈值图像由yGetThresholdedImage() 和调用了GetComponentImages()的GetX()函数返回。

13：DumpPGM

函数声明：

void tesseract::TessBaseAPI::DumpPGM ( const char * filename )

将内部二值图像放到PGM文件中。

14：AnalyseLayout

函数声明：

PageIterator * tesseract::TessBaseAPI::AnalyseLayout()

以SetPageSegMode设定的模式进行页面结构分析,返回一个(iterator),错误返回为空。Iterator 使用后必须删除。注意：该函数指向TessBaseAPI 类内部的数据，因此必须在TessBaseAPI 存在的情况下才可被调用。不能被改变内部PAGE_RES的 Init, SetImage, Recognize, Clear, End DetectOS或者其他调用。

15：Recognize

函数声明：

int tesseract::TessBaseAPI::Recognize(ETEXT_DESC * monitor)

识别来自SetAndThresholdImage的图像，产生Tesseract 内部结构数据，成功返回0，如果需要，下面的Get*Tex函数会调用它。识别完成后，在SetImage之前，输出都会保持在内部。

16：RecognizeForChopTest

函数声明：

int tesseract::TessBaseAPI::RecognizeForChopTest(ETEXT_DESC * monitor)

检索来自SetAndThresholdImage(), Recognize() or TesseractRect()的信息（在需要的情况下隐式调用Recognize）。对Recognize 变化一测试chopper.

17：ProcessPages

函数声明：

bool tesseract::TessBaseAPI::ProcessPages ( const char * filename,
const char * retry_config,
int timeout_millisec,
STRING *
text_out
)

识别指定文件的所有页面，文件格式为(a multi-page tiff or list of filenames, or single image), 并且根据参数（tessedit_create_boxfile, tessedit_make_boxes_from_boxes, tessedit_write_unlv, tessedit_create_hocr.）得到合适的文本。在输入文件的每一页运行ProcessPage，输入文件可以是（a multi-page tiff, single-page other file format, or a plain text list of images to read）,返回值放在text_out中。如果tessedit_page_number 非负，程序将会在其所代表那一页开始。运行错误返回false. 如果程序暂停在某一页timeout_millisec （非负）时间终止程序，或者由于某些原因一些页面处理失败，该页面将会以retry_config 的配置文件重新处理。

18：ProcessPage

函数声明：

bool tesseract::TessBaseAPI::ProcessPage ( Pix * pix,
int page_index,
const char * filename,
const char * retry_config,
int timeout_millisec,
STRING *
text_out
)

为 ProcessPages进行单页面识别。Text放到text_out中， pix是文件名，page_index是边缘处理后的元数据，比如box文件，或者hOCR格式文件。

19：GetIterator

函数声明：

ResultIterator * tesseract::TessBaseAPI::GetIterator()

为 LayoutAnalysis and/or Recognize运行结果获取读取顺序的迭代器（iterator），使用之后删除。

20：GetMutableIterator

函数声明：

MutableIterator * tesseract::TessBaseAPI::GetMutableIterator（）

为 LayoutAnalysis and/or Recognize运行结果获取可变的迭代器（iterator），使用之后删除。

21：GetUTF8Text

函数声明：

char * tesseract::TessBaseAPI::GetUTF8Text()

识别的文本被返回为字符指针，以UTF8编码（must be freed with the delete [] operator）。从内部数据结构中获得文本字符串。