知識星球
0.介紹
Tesseract是一個開源的OCR引擎，能識別100多種語言（中，英，韓，日，德，法…等等），但是Tesseract對手寫的識別能力較差。
1.安裝
2.下載語言庫
下載地址:https://github.com/tesseract-ocr/tessdata
根據自己的需求選擇所要的語言庫，在這裡我們選擇的是簡體中文所以選擇的庫是：chi_sim.traineddata
將檔案複製到到：/usr/local/Cellar/tesseract/3.04.01_2/share/tessdata目錄下。
3.Tesseract使用
終端輸入命令:tesseract --help
一般使用:
//預設使用eng文字型檔， imgName是圖片的地址，result識別結果
tesseract imgName result指定語言:
//指定使用簡體中文
tesseract -l chi_sim imgName result
//檢視本地存在的語言庫
tesseract --list-langs指定多語言:
//指定多語言，用+號相連
tesseract -l chi_sim+eng imgName result有個地方需要特別註意，引數psm
//輸入命令，檢視psm的引數
tesseract --help-psm
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.
翻譯（可能不是很準,最好看原文）：
0 定向指令碼監測（OSD）
1 使用OSD自動分頁
2 自動分頁，但是不使用OSD或OCR（Optical Character Recognition，光學字元識別）
3 全自動分頁，但是沒有使用OSD（預設）
4 假設可變大小的一個文字列。
5 假設垂直對齊文字的單個統一塊。
6 假設一個統一的文字塊。
7 將影象視為單個文字行。
8 將影象視為單個詞。
9 將影象視為圓中的單個詞。
10 將影象視為單個字元。根據情況選擇不同的psm值，這很重要，如果選擇到不恰當的值會導致識別失敗。
比如：
1234.png
使用命令:
//不設定psm值的命令
tesseract 1234.png 1234 -l chi_sim
列印:
Tesseract Open Source OCR Engine v3.04.01 with Leptonica
Info in fopenReadFromMemory: work-around: writing to a temp file
Empty page!!
Empty page!!
//不設定psm值的命令
tesseract 1234.png 1234 -l chi_sim -psm 6
成功識別:
一二三四
一二三四4.語言訓練
提前準備:
1.training tools。（在安裝tesseract時候執行brew install --with-training-tools tesseract這句命令會同時安裝training tools）
2.jTessBoxEditor工具。
3.訓練素材
在這裡準備的素材如下:
hui.png
yi.png
執行命令:
tesseract hui.png hui -l chi_sim -psm 10
識別結果：瞧
tesseract yi.png yi -l chi_sim -psm 10
識別結果：=顯然自帶chi_sim庫對隳易這兩個字的識別不是很好。為了識別這兩個字，我們要對這兩個字進行訓練。
1.素材合成，(多個素材合成)
開啟jTessBoxEditor工具，選單欄：tools->Merge TIFF...，選中要合成的圖片並儲存為為：huiyi.fitt。
2.生成box檔案
//命令
tesseract huiyi.tif huiyi -l chi_sim -psm 10 batch.nochop makebox執行後會在生成一個名為huiyi.box的box檔案。
用文字編輯器或者xcode開啟:
瞧 31 37 112 119 0
= 51 86 93 106 1修改為：
隳 31 37 112 119 0
易 51 86 93 106 1儲存檔案。
3.生成.tr檔案
//命令
tesseract huiyi.tif huiyi -psm 10 nobatch box.train4.生成unicharset檔案
//命令
unicharset_extractor huiyi.box註意unicharset_extractor命令是training tools裡面的整合命令，如果執行時說沒有找到該命令則說明你沒有安裝training tools。
5.建立font_properties檔案
字型特徵檔案，Tesseract-OCR 3.01 及以上版本在訓練之前都要建立font_properties檔案。檔案格式內容格式如下：
fontname italic bold fixed serif fraktur
//翻譯
字型名字 傾斜 加粗 固定寬度 襯線體 哥特字型除了字型之外其他的值都是bool值，0或1
在這裡font_properties的內容是：
font 0 0 0 0 0執行命令：
echo 'font 0 0 0 0 0' > font_properties5.training
執行命令：
shapeclustering -F font_properties -U unicharset huiyi.tr會生成：shapetable檔案，重新命名為huiyi.shapetable
執行命令：
mftraining -F font_properties -U unicharset -O huiyi.unicharset huiyi.tr會生成：huiyi.unicharset、inttemp，pffmtable檔案，將inttemp，pffmtable重新命名為：huiyi.inttemp，huiyi.pffmtable
執行命令：
cntraining huiyi.tr會生成：normproto檔案，重新命名為huiyi.normproto
6.得到traineddata檔案
執行命令：
combine_tessdata huiyi.
//列印
Combining tessdata files
TessdataManager combined tesseract data files.
Offset for type 0 (huiyi.config ) is -1
Offset for type 1 (huiyi.unicharset ) is 140
Offset for type 2 (huiyi.unicharambigs ) is -1
Offset for type 3 (huiyi.inttemp ) is 406
Offset for type 4 (huiyi.pffmtable ) is 118222
Offset for type 5 (huiyi.normproto ) is 118282
Offset for type 6 (huiyi.punc-dawg ) is -1
Offset for type 7 (huiyi.word-dawg ) is -1
Offset for type 8 (huiyi.number-dawg ) is -1
Offset for type 9 (huiyi.freq-dawg ) is -1
Offset for type 10 (huiyi.fixed-length-dawgs ) is -1
Offset for type 11 (huiyi.cube-unicharset ) is -1
Offset for type 12 (huiyi.cube-word-dawg ) is -1
Offset for type 13 (huiyi.shapetable ) is 118708
Offset for type 14 (huiyi.bigram-dawg ) is -1
Offset for type 15 (huiyi.unambig-dawg ) is -1
Offset for type 16 (huiyi.params-model ) is -1
Output huiyi.traineddata created successfully.將huiyi.traineddata移動到/usr/local/Cellar/tesseract/3.04.01_2/share/tessdata/目錄下
執行命令：
cp huiyi.traineddata /usr/local/Cellar/tesseract/3.04.01_2/share/tessdata/7.驗證
執行命令:
tesseract hui.png hui -l huiyi -psm 10
識別結果：瞧
tesseract yi.png yi -l huiyi -psm 10
識別結果：易成功識別。
結語：好久沒寫了，這篇是之前就寫好的，一直沒發，剛過完年諸事繁忙，一直沒時間寫。在新的一年祝各位同仁前程似景。最近看下有沒有時間將Tesseract遷移到iOS上，之前試過效果並不好，主要是識別速度偏慢，而且還沒有一個很好的灰度演演算法用來處理圖片。
