tesseract-ocr tips

【基本用法】

1、tesseract 基本语法：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

Usage:tesseract.exe imagename outputbase [-l lang] [-psm pagesegmode] [configfile...] pagesegmode values are: 0 = Orientation and script detection (OSD) only. 1 = Automatic page segmentation with OSD. 2 = Automatic page segmentation, but no OSD, or OCR 3 = Fully automatic page segmentation, but no OSD. (Default) 4 = Assume a single column of text of variable sizes. 5 = Assume a single uniform block of vertically aligned text. 6 = Assume a single uniform block of text. 7 = Treat the image as a single text line. 8 = Treat the image as a single word. 9 = Treat the image as a single word in a circle. 10 = Treat the image as a single character. -l lang and/or -psm pagesegmode must occur before anyconfigfile. Single options: -v --version: version info --list-langs: list available languages for tesseract engine tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...] tesseract    图片名  输出文件名 -l 字库文件 -psm pagesegmode 配置文件

2、示例：

（1）、

1 2 3 4 5 6

tesseract code.jpg code -l chi_sim -psm 7 digits code 生成code.txt的结果文件 -l chi_sim 表示用简体中文字库 -psm 7 表示告诉tesseract code.jpg图片是一行文本，默认为 3 configfile 参数值为tessdata\configs 和 tessdata\tessconfigs 目录下的文件名 digits 内容为 tessedit_char_whitelist 0123456789-. 表示数字

（2）、白名单

1	tesseract code.jpg code -l eng -psm 7 -c tessedit_char_whitelist="ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789"

（2）、黑名单

1	tesseract code.jpg code -l eng -psm 7 -c tessedit_char_blacklist="abcdefghijklmnopqrstuvwxy"

【训练】（以训练arial字体为例）

1、准备一张字体图片如下。

2、用 jTessBoxEditor 将图片转为tif文件，将tif文件命名为 eng.arial.exp0.tif。注意这里其实可以选多张图片。

1	Tools -> Merge TIFF...

3、生成坐标文件（.box）。

1	tesseract.exe eng.arial.exp0.tif eng.arial.exp0 batch.nochop makebox

【语法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox

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。

4、在当前目录创建 font_properties 文件，内容如下。

1	eng.arial.exp0.box 1 1 1 0 0

【语法】：<fontname> <italic> <bold> <fixed> <serif> <fraktur>  

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。

5、字符校正。

打开jTessBoxEditor，BOX Editor -> Open，打开 eng.arial.exp0.tif，注意多页时页面切换。

6、执行批处理文件（arial.bat），生成.traineddata文件。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

echo Run Tesseract for Training..  tesseract eng.arial.exp0.tif eng.arial.exp0 nobatch box.train     echo Compute the Character Set..  unicharset_extractor eng.arial.exp0.box  mftraining -F font_properties -U unicharset -O arial.unicharset eng.arial.exp0.tr  echo Clustering..  cntraining eng.arial.exp0.tr  echo Rename Files..  rename normproto arial.normproto  rename inttemp arial.inttemp  rename pffmtable arial.pffmtable  rename shapetable arial.shapetable   echo Create Tessdata..  combine_tessdata arial.  echo. & pause

7、将生成文件中的arial.traineddata 文件拷贝到相应tessdata目录就可以使用啦！

1	tesseract code.jpg code -l arial

【参考文献】

1、啥都不懂也能识别验证码

2、Tesseract-OCR的简单使用与训练

3、Adding New Fonts to Tesseract 3 OCR Engine

4、Python做简单的验证码识别(ocr)

*** walker ***

本文转自walker snapshot博客51CTO博客，原文链接http://blog.51cto.com/walkerqt/1844753如需转载请自行联系原作者

RQSLT

总结

以上是生活随笔为你收集整理的tesseract-ocr tips的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。