码迷,mamicode.com
首页 > Windows程序 > 详细

Tesseract+opencv+VS+win实现OCR

时间:2017-01-22 16:22:27      阅读:3200      评论:0      收藏:0      [点我收藏+]

标签:中文   detail   ext2   检测   属性   box   down   roman   hit   

参考网站:

http://www.cnblogs.com/wzben/p/5930538.html (第一次)

http://wangjunle23.blog.163.com/blog/static/117838171201323031458171/ (分析)

http://blog.csdn.net/a443475601/article/details/9854003 (简洁)

 

tesseract训练

 

  1. 命名

为了方便 tif文面命名格式[lang].[fontname].exp[num].tif
lang
是语言 fontname是字体
比如我们要训练自定义字库 image 字体名MyFont
那么我们把tif文件重命名 image.MyFont.exp0.tif

  1. 生成box文件
    1. tesseract image.MyFont.exp0.tif image.MyFont.exp0 -l chi_sim batch.nochop makebox
  2. 调整box
  3. 训练,生成.tr训练文件
    1. tesseract  mjorcen.normal.exp0.jpg mjorcen.normal.exp0  nobatch box.train
  4. 计算字符集
    1. unicharset_extractor mjorcen.normal.exp0.box
  5. 字体属性

新建一个font_properties文件

<fontname> <italic> <bold> <fixed> <serif> <fraktur>

里面内容写入 normal 0 0 0 0 0 表示默认普通字体。

  1. Clustering
  2. 生成主形状表shapetable
    1. shapeclustering -F font_properties -U unicharset mjorcen.normal.exp0.tr
  3. 形状原型inttemp, 每个字符所希望的特征pffmtable
    1. mftraining -F font_properties -U unicharset -O unicharset mjorcen.normal.exp0.tr
  4. 数据文件normproto
    1. cntraining mjorcen.normal.exp0.tr
  5. 合并文件font.traineddata

把目录下的unicharsetinttemppffmtableshapetablenormproto这五个文件前面都加上normal.

  1. combine_tessdata normal.

必须确定的是第2456行的数据不是-1,那么一个新的字典就算生成了。

 

字符识别数据集

http://blog.csdn.net/H2008066215019910120/article/details/17126757

 

使用多张训练图片进行训练。完成

将多个traineddata进行合并。不行。

利用字体文件生成训练集,进行自动化训练。Text2image

http://blog.csdn.net/chudongfang2015/article/details/51920191

 

 

http://blog.csdn.net/homebei2/article/details/45305897

 

要训练一个新的语言(自定义语言或者某种自然语言都可以)对应的traineddata文件,需要产生下列过程文件:

? lang.config

? lang.unicharset

?lang.unicharambigs

? lang.inttemp

? lang.pffmtable

? lang.normproto

? lang.punc-dawg

? lang.word-dawg

?lang.number-dawg

? lang.freq-dawg

     在这八个文件中,红色标示的是必须的,其他的文件可选。当这些文件都准备好之后,再使用combine_tessdata进行最后的合并工作,生成lang.traineddata ,这个文件就是最终训练出来语言库。下面再来说一下如何产生上述的文件:

1、获取一个训练图片(*.tif

2、产生相应的Box文件(*.box

tesseractlang.fontname.number.tif lang.fontname.number batch.nochop makebox

       这一步产生对应的lang.fontname.number.box 文件。   

   编辑该Box文件,校正识别出来的字符,如果单个字符识别成了两个或者多个字符,则要将这些行进行合并。前两项坐标取最小值,后两项坐标取最大值。

3、产生字符特征文件(*.tr

tesseractlang.fontname.number.tif lang.fontname.number nobatch box.train

这一步产生三个文件:

(1) tesseract.log记录该步骤执行结果;

(2) lang.fontname.number.txt

(3) lang.fontname.number.tr为特征文件。

4、计算字符集(unicharset

unicharset_extractorlang.fontname.number_1.box

这一步产生字符集文件unicharset

5、聚集字符特征(inttemppffmtablenormproto

mftraining -Uunicharset -O lang.unicharset lang.fontname.number_1.tr

使用上一步产生的字符集文件unicharset,来生成当前新语言的字符集文件lang.unicharset。同时还会产生图形原型文件inttemp和每个字符所对应的字符特征数文件pffmtable。附带还会产生Microfeat文件,但是并没有用到该文件。

cntraininglang.fontname.number_1.tr

这一步产生字符形状正常化特征文件normproto

6、产生字典文件(可选)

wordlist2dawgfrequent_words_list lang.freq-dawg lang.unicharset

wordlist2dawgwords_list lang.word-dawg lang.unicharset

frequent_words_list存放出现频率较高的字符;words_list存放所有字符集,至少一个字符。每个字符占一行。这样可以产生对应语言的字典文件了,共五个。

同样的方法产生punc-dawg文件(符号)、number-dawg文件(数字)以及user-words文件(用户自定义字符,通常为空)。

7、模糊字集校正文件(unicharambigs)(可选)

例如某unicharambigs文件内容如下:

2 ‘ ‘ 1 " 1

1 m 2 r n 0

3 i i i 1 m 0

每一行表示一条校正信息:第一个数字表示接下来有几个字符,第二个数字也表示后面跟有几个字符,最后一个数字表示校正动作的类型。

在这个例子中,第一行表示将连续的两个单引号()合并成一个双引号("),最后的数字1表示强制转换;第二行、第三行表示一个字母m有可能被识别成两个字母‘r‘‘n‘,也有可能识别成连续三个字母‘i‘

这个校正文件可以为空或者不存在。

8、合并训练文件(*.traineddata

combine_tessdata lang.

这是最后一步,产生训练结果文件lang.traineddata

注意这一步控制台执行的结果显示,有0-9项指示了文件的地址,这十个地址对应了文章前面所提到的十项所需要的文件。其中1345这四项(从0开始排序)是必须的,缺少一项(显示为-1)都将不算成功。

9测试

tesseract image.tifoutput -l lang

使用我们刚刚训练好的lang.traineddata文件来识别图形。识别出来的结果将会存放在output.txt文件中。

特别说明:

在训练的过程中,初次接触的人容易犯一些小错误,这些错误虽然小,但很可能让你陷入困惑和痛苦中。下面简单的罗列一下几点需要注意的地方:

1)前面提到的lang可以被你想要的任何字符串代替,主要是为了给你训练的库取个名字。

2)第二步产生的Box文件,需要手动修改,一定要以Unicode模式保存。修改的时候要注意方法和含义,详细的说明Google原文中有说明。

3)第五步程序自动产生的文件是只有扩展名的,需要你自己手动将名字改成前缀一致。后面产生的可选文件也依照此法操作。

4)所有的这些文件都准备好了之后,需要放到同一目录下,执行combine_tessdata进行合并的时候,注意要切换到文件所在的目录执行,否则将会报错,提示找不到文件。

5)合并成功之后,要记得将训练好的文件(lang.traineddata)放到程序的tessdata子目录下,否则测试就会提示找不到语言库文件。

   好了,到这里,基本上所有的问题都能解决了。

 

 

九、OCR开发中遇到的其他问题,没来得及写文档,参考网址能够完全解决:

 

Vs2013编译tesseract

http://blog.csdn.net/u013985291/article/details/51009350 (成功)

https://github.com/peirick/VS2015_Tesseract

http://blog.csdn.net/yongshi6/article/details/50616889 (vs中编译和使用)

http://blog.csdn.net/suninsky_plate/article/details/52820800 (vs配置使用)

 

https://groups.google.com/forum/#!topic/tesseract-ocr/bD1zJNiDubY (问题1)

tesseract API 文档

https://fossies.org/dox/tesseract-3.04.01/group__AdvancedAPI.html (tesseract-document)

 

utf-8问题

http://blog.csdn.net/weiwangchao_/article/details/43453053 (VS调试器正确显示UTF-8字符串)

http://www.111cn.net/sys/Windows7/97046.htm (DOS窗口cmd中显示UTF-8字符的解决方法)

opencv编译freeType库,显示中文

http://blog.csdn.net/qq_20581563/article/details/50895298 (opencv显示中文)

http://download.csdn.net/download/zmdsjtu/9680510(在Mat中写入的类Cv310Text

openCV文字检测mser

http://blog.csdn.net/peaceinmind/article/details/49933055 (文字检测与识别mser)

VS编译opencv_contrib

http://www.cnblogs.com/jliangqiu2016/p/5597501.html (opencv_contrib配置)

问题:

https://putuyuwono.wordpress.com/2015/04/23/building-and-installing-opencv-3-0-on-windows-7-64-bit/ (解决)

技术分享

Tesseract+opencv+VS+win实现OCR

标签:中文   detail   ext2   检测   属性   box   down   roman   hit   

原文地址:http://www.cnblogs.com/yizhichun/p/6340557.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!