tesseract训练字库乱码怎么办

最近想利用python写一段识别穿越火线交易所各种道具价格的代码。命令行执行：

tesseract.exe grab.jpg result -l eng

使用默认的Tesseract语言库总会识别成字母或者乱码，如下图：

于是参考这篇帖子，训练了一个对游戏中数字识别度较高的样本库。

训练样本：

待识别的图像如下图中出售价格及我的CF点

python代码：

import win32con
import win32gui
import pytesseract
from PIL import ImageGrab
import time

def get_bin_table(threshold=105):
 # 获取灰度转二值的映射table
 table = []
 for i in range(256):
 if i < threshold:
 table.append(0)
 else:
 table.append(1)
 return tabledef grab():
 hwnd = win32gui.FindWindow(0, “Crossfire20170910_0000.bmp - 画图”) # 获取句柄
 print(hwnd)
 left, top, right, bottom = win32gui.GetWindowRect(hwnd)
 print(left, top, right, bottom)
 win32gui.ShowWindow(hwnd, win32con.SW_SHOWNORMAL)
 win32gui.SetForegroundWindow(hwnd)
 time.sleep(0.2)
 img = ImageGrab.grab((870,478,913,495)) # 截图，获取需要识别的区域
 img.show()
 imggray = img.convert(‘L’) # 转化为灰度图
 table = get_bin_table()
 out = imggray.point(table, ‘1’)
 #out.show()
 text = pytesseract.image_to_string(out) # 使用简体中文解析图片则改为chi_sim
 text = text.upper()
 print(text)

# img.save('C:/Users/Ysx/PycharmProjects/ocr/out/%s.jpg' % text)

if name == ‘main’:
 grab()

使用默认的语言库识别成功率不高，会识别为乱码或者字母。所以计划自己训练一个只能识别数字的准确语言库。

1.训练环境：首先安装jdk-10.0.1_windows-x64_bin.exe，它是java的运行环境。然后下载工具jTessBoxEditor，它是训练样本的工具。

2.样本图像：从CF截图如下图像（越多越好，不过总共也就10个数字）。

3.合并图像：运行jTessBoxEditor，菜单栏中Tools–Merge TIFF。在弹出的对话框中选择样本图像（按Shift选择多张），合并名为num.font.exp0.tif文件。

4.生成Box file文件：

命令行执行：

cd C:\Users\Ysx\PycharmProjects\ocr\train

tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox

* 生成num.font.exp0.box，BOX文件为Tessercat识别出的文字和其坐标。

5.文字校正：jTessBoxEditor工具打开num.font.exp0.tif，增加未识别的、修改识别错误的数字。

6.定义字体特征文件：（当前目录下新建记事本，输入font 0 0 0 0 0，存为font_properties，注意删除.txt后缀）

格式应为<fontname> <italic> <bold> <fixed> <serif> <fraktur>，取值1/0代表是否拥有对应属性。

7.生成语言文件：（当前目录下新建记事本，输入下列代码，存为1.bat）

rem 执行改批处理前先要目录下创建font_properties文件

echo Run Tesseract for Training…

tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train

echo Compute the Character Set…
 unicharset_extractor.exe num.font.exp0.box
 mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.trecho Clustering…
 cntraining.exe num.font.exp0.trecho Rename Files…
 rename normproto num.normproto
 rename inttemp num.inttemp
 rename pffmtable num.pffmtable
 rename shapetable num.shapetableecho Create Tessdata…
 combine_tessdata.exe num.

双击1.bat执行，生成的num.traineddata存到对应的Tesseract-OCR\tessdata目录。

8.使用训练得到的num语言库：

命令行执行：

tesseract.exe grab.jpg result -l num

原来不易识别的数字可以识别了，下一步就是做交易价格低于某值的时候自动操作购买道具的代码了。

Tesseract-OCR安装和pytesseract配置参考http://www.inimei.cn/archives/297.html字库训练

最近想利用python写一段识别穿越火线交易所各种道具价格的代码。命令行执行：

tesseract.exe grab.jpg result -l eng

使用默认的Tesseract语言库总会识别成字母或者乱码，如下图：

于是参考这篇帖子，训练了一个对游戏中数字识别度较高的样本库。

训练样本：

待识别的图像如下图中出售价格及我的CF点

python代码：

import win32con
import win32gui
import pytesseract
from PIL import ImageGrab
import time