tesseract 训练---别人的东东

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

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。