关于tesseract-ocr3的训练和使用

众所周知，这是一个出色的字符识别软件。这个开源项目可以在http://code.google.com/p/tesseract-ocr/downloads/list下载。

在使用时，建议使用3而不要使用2，因为一些原因，2虽然可以直接用在工程，但是由于一些显而易见的BUG和其他原因，多导致程序无法运行甚至崩溃。所以建议使用命令行版本的3 。

除了下载tesseract安装程序以外，还可以在下载页面下载一些语言库，当然，也可以在安装过程中选择一些语言库来进行安装。

一、训练

在很多时候，默认的字库等完全可以高准确度的识别，但是有些时候我们需要训练自己的库来使用。训练步骤如下：

注：

A、均以DOS命令为例，即将每步下面的命令保存为.BAT运行，或运行CMD进入tesseract所在目录运行

B、注意保证文件名的一致性（此处均为DDT）

0、复制training目录下的全部文件到tesseract3所在目录

copy .\training\*.exe .\

1、标记边框

tesseract ddt.tif ddt -l eng digits batch.nochop makebox

解释一下

ddt.tif为要识别的文件，支持jpg,gif,tiff等格式，建议用tif

ddt 为要保存的文件名（自动添加扩展名.box）

-l eng 使用的库，这个参数可以让我们选择用哪个字库来标记边框

后面的都是配置文件了，也就是tesseract的其他参数被以文件形式加载，而不是直接输入参数

digits指定了只识别0-9的数字（当然你可以编辑它，使它包含更多的字符），当你不需要指定时，一定要去掉这个参数，但使用这种字符集限定，可以最大程度上减少被错误识别搞的你编辑ddt.box头昏脑胀的几率。

注：

这一步非常关键，但也经常出现问题，即使你在http://code.google.com/p/bbtesseract/downloads/list下载了bbtesseract也是如此，所以我感觉应该自己编一个边框识别，但没有时间做。完全可以将命令写入到软件里，实现图形化。所以，注意编辑你生成的ddt.box文件，保证字符都被识别且边框正确。

这里也有一个小技巧，例如我做过这样一个tif：1.2-34567089，在这一步的时候，只识别了2-9这一部分，于是我修改tif为：001.2-34567089，就全部识别了。也许可以给你一些启示。

2、形成语言库

tesseract ddt.tif ddt -l eng digits nobatch box.train
unicharset_extractor ddt.box
rename unicharset ddt.unicharset
mftraining -U unicharset -O ddt.unicharset ddt.tr
rename inttemp ddt.inttemp
rename pffmtable ddt.pffmtable
rename Microfeat ddt.Microfeat
cntraining ddt.tr
rename normproto ddt.normproto
combine_tessdata ddt.

这里面包含了若干步骤，但其他人扒的“教程”已经啰嗦很多了，不再啰嗦。

注：那几个rename是必要的，因为生成的文件只有扩展名。只要注意了这些，就没问题了。

3、测试语言库

copy ddt.traineddata .\tessdata\ddt.traineddata

tesseract ddt.tif ddt -l ddt
notepad ddt.txt

如果测试失败了，你应该检查：

A、是否tif宽度太小，如果是，我建议你在下面增加一行，就是说把1行改成2行，增加什么呢，随意增加一些你字库里面的字符，但最好和图像一样宽。

B、如果还没正确识别，回头仔细检查你的ddt.box

如果你失败了，记得清理前面生成的文件，可以使用一下命令：

copy ddt.tif tmp.tif
del ddt.* /f /s
copy tmp.tif ddt.tif
del tmp.tif

然后从第一步重新来过。

二、使用

使用时，只需要注意，对于单行并且字符数较少的图像，如果不识别，最好是在下面添加一行无用行，并保证该行基本达到图像宽。

注：

在使用时，可能会发生找不到字库的情况（尤其当你卸载后重装tesseract时），此时，应修改

HKEY_CURRENT_USER\Environment\TESSDATA_PREFIX的值为你的tesseract所在目录。

三、示例

最后给出一个tesseract3在VB.NET下使用的示例代码。

Public Class TessOCR

    Dim path As String = My.Application.Info.DirectoryPath & "\tesseract3\"

    Sub New()
        My.Computer.Registry.CurrentUser.OpenSubKey("Environment", True).SetValue("TESSDATA_PREFIX", path)
    End Sub

    Public Function Tess3OCR(ByVal Rect As Rectangle, ByVal clr As Integer) As String
        ‘建立图像，注意屏幕复制时使用SourceCopy以符合OCR要求的图像格式，否则出错或直接关闭
        Dim bmp As Bitmap = New Bitmap(Rect.Width, Rect.Height * 2)
        Dim gr As Graphics = Graphics.FromImage(bmp)
        gr.Clear(Color.White)
        gr.CopyFromScreen(Rect.Location, Point.Empty, Rect.Size, CopyPixelOperation.SourceCopy)
        ‘校正为白纸黑字
        For y As Integer = 0 To bmp.Height - 1
            For x As Integer = 0 To bmp.Width - 1
                If bmp.GetPixel(x, y).ToArgb = clr Then bmp.SetPixel(x, y, Color.Black) Else bmp.SetPixel(x, y, Color.White)
            Next
        Next
        Dim str As String = IIf(clr = AngleColor, "45.000000", "0.000000")
        gr.DrawString(str, New Font("Arial Black", 14), Brushes.Black, 0, Rect.Height)

        bmp.Save(path & "tmp.tif", System.Drawing.Imaging.ImageFormat.Tiff)
        Shell(path & "tesseract " & path & "tmp.tif " & path & "tmp -l ddt digits", AppWinStyle.Hide, True)
        My.Computer.FileSystem.DeleteFile(path & "tmp.tif")
        Dim ret As String = My.Computer.FileSystem.ReadAllText(path & "tmp.txt").Split(vbCrLf)(0)
        My.Computer.FileSystem.DeleteFile(path & "tmp.txt")
        Return ret
    End Function

End Class

在代码的new函数中，我修改了注册表，以防止出错，更好的做法应该是在这之前记录原始值并在类销毁时恢复。之后，指出了屏幕复制时可能存在的一些问题，当然，如果你是取验证码啥的，那就不用关心这些了。然后对图像进行了简单的校正，需要注意的是，必须校正为白底黑字才行，否则不识别。而后，我在下面添加了一行无用的文字，并在返回值时进行了适当处理。再有一点需要注意的是，shell函数的最后一个参数，指出了等待调用进程结束，如果你要在vb6当中使用，这里就需要用api来实现等待——而不要用sleep等定时等待函数，那将会使得你的程序不够健壮。

转自：http://blog.csdn.net/foxwit/article/details/6547465

OCR识别引擎tesseract使用方法

最近一直跟OCR打交道，学习了下google的OCR引擎TESSERACT，是个很好的识别工具。tesseract-3.0已支持版面分析，功能很强大。安装tesseract前可选择性地安装leptonica和libtiff。不过建议先安装这两个库。不安装tiff的话只能处理bmp文件。

     这里只是说明怎么识别中文。依次安装好libtiff,leptonica和tesseract后，下载简体中文和繁体中文的训练数据，在tesseract的下载页可以找到。放到某个目录的tessdata文件夹下。然后设置环境变量TESSDATA_PREFIX=tessdata的目录。然后，新建一个ocr.cpp文件，编写如下代码：

#include <mfcpch.h>

#include <ctype.h>

#include <sys/time.h>

#include "applybox.h"

#include "control.h"

#include "tessvars.h"

#include "tessedit.h"

#include "baseapi.h"

#include "thresholder.h"

#include "pageres.h"

#include "imgs.h"

#include "varabled.h"

#include "tprintf.h"

#include "stderr.h"

#include "notdll.h"

#include "mainblk.h"

#include "output.h"

#include "globals.h"

#include "helpers.h"

#include "blread.h"

#include "tfacep.h"

#include "callnet.h"

#include "allheaders.h"

int main(int argc,char **argv){

if(argc!=3){

printf("usage:%s <bmp file> <txt file>/n",argv[0]);

return -1;

}

char *image_file=argv[1];

char *txt_file=argv[2];

STRING text_out;

struct timeval beg,end;

tesseract::TessBaseAPI  api;

IMAGE image;

api.Init(argv[0], "chi_sim", NULL, 0, false);//初始化api对象

api.SetPageSegMode(tesseract::PSM_AUTO);//设置自动进行版面分析

api.SetAccuracyVSpeed(tesseract::AVS_FASTEST);//要求速度最快

if (image.read_header(image_file) < 0) {//读取bmp文件的元信息

printf("Read of file %s failed./n", image_file);

exit(1);

    }

if (image.read(image.get_ysize ()) < 0){//读取bmp文件

printf("Read of image %s error/n", image_file);

exit(1);

}

invert_image(&image);//反转图像的每个像素，即使1变0,0变1

int bytes_per_line = check_legal_image_size(image.get_xsize(),

                                                image.get_ysize(),

                                                image.get_bpp());//计算每一行像素所占字节数

    api.SetImage(image.get_buffer(), image.get_xsize(), image.get_ysize(),

                  image.get_bpp() / 8, bytes_per_line);//设置图像

gettimeofday(&beg,NULL);

char* text = api.GetUTF8Text();//识别图像中的文字

gettimeofday(&end,NULL);

printf("%s:reconize sec=%f/n",argv[0],end.tv_sec-beg.tv_sec+(double)(end.tv_usec-beg.tv_usec)/1000000.0);//打印识别的时间

text_out += text;

delete [] text;

FILE* fout = fopen(txt_file, "w");

fwrite(text_out.string(), 1, text_out.length(), fout);//将识别结果写入输出文件

fclose(fout);

}

再编写一个makefile文件如下：

all:ocr

CFLAGS=-Wall -g

LDFLAGS= -lz  -lm  -ltesseract_textord /

-ltesseract_wordrec -ltesseract_classify -ltesseract_dict -ltesseract_ccstruct/

-ltesseract_ccstruct -ltesseract_cutil -ltesseract_viewer -ltesseract_ccutil/

-ltesseract_api -ltesseract_image -ltesseract_main -llept

LD_LIBRARY_PATH =

INCLUDES= -I/usr/local/include/tesseract/ -I/usr/local/include/leptonica/

%.o:%.cpp

g++ -c $(CFLAGS) $(INCLUDES)  $(SOURCE) -o $@ $<

ocr:ocr.o

g++ -o $@ $^ -g $(LD_LIBRARY_PATH) $(LDFLAGS)

clean:

rm ocr.o

    在该目录下运行make编译成可执行文件ocr,运行./ocr 1.bmp 1.txt就可以将图像1.bmp识别结果写到1.txt了，程序会打印识别的时间。值得注意的是，tesseract中文识别速度很慢，运行几分钟很正常。不知有哪位大虾知道怎么调优？

   更郁闷的是tesseract不支持多线程，不能在同一进程中运行多个实例。

其他参考博客：

1、http://blog.csdn.net/zhoushuyan/article/details/5948289

2、http://www.blogjava.net/wangxinsh55/archive/2011/03/22/346787.html

3、http://haiquan.iteye.com/blog/945701

4、http://www.cnblogs.com/brooks-dotnet/archive/2010/10/05/1844203.html

5、http://www.cnblogs.com/physoft/archive/2011/07/15/2107417.html

6、http://hi.baidu.com/kuliuheng/blog/item/aae32d32216a9fcda2cc2ba1.html

7、http://code.google.com/p/leptonica/downloads/list

8、http://tesseract-ocr.repairfaq.org/

9、http://blog.wudilabs.org/entry/f25efc5f/