Tesseract 模型训练 tesseract 原理

tesseract-ocr介绍

• 光学字符识别,是指对图片文件中的文字进行分析识别，获取的过程
• Tesseract - OCR 引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从此尘封
• 数年以后，HP 意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生
• 在2005年，Tesseract 由美国内华达州信息技术研究所获得，并求诸于 Google 对 Tesseract 进行改进、消除Bug、优化工作，Tesseract 由惠普公司宣布开源,从2006年到现在，都由 Google 公司开发维护

java实现

1、maven引入

<dependency>
            <groupId>net.java.dev.jna</groupId>
            <artifactId>jna</artifactId>
            <version>4.1.0</version>
        </dependency>

        <dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>3.4.0</version>
            <exclusions>
                <exclusion>
                    <groupId>com.sun.jna</groupId>
                    <artifactId>jna</artifactId>
                </exclusion>
            </exclusions>
        </dependency>

2、方法调用

public static void main(String[] args){
        //加载待读取图片
        File imageFile = new File("C:\\Users\\Desktop\\wenzi.png");
        //创建tess对象
        ITesseract instance = new Tesseract();
        //设置训练文件目录
        instance.setDatapath("D:\\autotest\\tessdata");
        //设置训练语言
        instance.setLanguage("eng");
        //执行转换
        try {
            //图片转图片流
            BufferedImage img = ImageIO.read(imageFile);
            // 这里对图片黑白处理,增强识别率.这里先通过截图,截取图片中需要识别的部分
            img = ImageHelper.convertImageToGrayscale(img);
            // 图片锐化,自己使用中影响识别率的主要因素是针式打印机字迹不连贯,所以锐化反而降低识别率
//            img = ImageHelper.convertImageToBinary(img);
            // 图片放大5倍,增强识别率(很多图片本身无法识别,放大7倍时就可以轻易识,但是考滤到客户电脑配置低,针式打印机打印不连贯的问题,这里就放大7倍)
            img = ImageHelper.getScaledInstance(img, img.getWidth() * 7, img.getHeight() * 7);
            String result = instance.doOCR(imageFile);
            System.out.println("获取结果："+result);
        } catch (TesseractException | IOException e) {
            e.printStackTrace();
        }
    }

注意：代码中的“D:\autotest\tessdata”路径为语言训练文件的存储路径

语言训练文件传送门 提取码：a9pm

自定义语言训练文件

除使用上述语言训练文件外，还可以自定义训练文件

1. 下载jTessBoxEditor创建语言训练文件，文件传送门 提取码：ol8a
2. 文件下载后设置环境变量
3. 将文件夹tesseract-ocr路径设置到环境变量中
4. 将需要识别的图片文件放至一个文件夹，图片越多识别率会比较高，工作量就会比较大

5. 打开下载的 jTessBoxEditor

6. 合并图片为tiff格式的图片，选择tools下的第一个菜单

7. 选中需要识别的图片，命名按照规范命名

8. 打开cmd进入到图片存放目录中，执行命令生成BOX文件

tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l chi_sim batch.nochop makebox

9. 调整字体坐标，调整识别错误的汉字。使用open打开刚才生成的tif文件，根据刚才生成的box文件调整字库。这个步骤才是真正核心的步骤，也是最麻烦的地方，有多个文件记得要翻页每个文件都手动调整

10. 新建font_properties文件

tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l chi_sim nobatch box.train

11. 调整完成box文件后，就需要生成tr文件

tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l chi_sim nobatch box.train

12. 生成unicharset文件

unicharset_extractor langyp.fontyp.exp0.box

13. 生成shape文件

shapeclustering -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr

14. 生成聚集字符特征文件

mftraining -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr

15. 生成字符正常化特征文件

cntraining langyp.fontyp.exp0.tr

16. 重命名把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件都加上fontyp.

rename normproto fontyp.normproto
rename inttemp fontyp.inttemp
rename pffmtable fontyp.pffmtable
rename unicharset fontyp.unicharset
rename shapetable fontyp.shapetable

17. 组合文件，成功后会生成fontyp.traineddata训练文件

combine_tessdata fontyp.

将生成的训练文件放入最开始的tessdata文件夹中，instance.setLanguage(“fontyp”)使用

public static void main(String[] args){
        //加载待读取图片
        File imageFile = new File("C:\\Users\\Desktop\\wenzi.png");
        //创建tess对象
        ITesseract instance = new Tesseract();
        //设置训练文件目录
        instance.setDatapath("D:\\autotest\\tessdata");
        //设置训练语言
        instance.setLanguage("fontyp");
        //执行转换
        try {
            //图片转图片流
            BufferedImage img = ImageIO.read(imageFile);
            // 这里对图片黑白处理,增强识别率.这里先通过截图,截取图片中需要识别的部分
            img = ImageHelper.convertImageToGrayscale(img);
            // 图片锐化,自己使用中影响识别率的主要因素是针式打印机字迹不连贯,所以锐化反而降低识别率
//            img = ImageHelper.convertImageToBinary(img);
            // 图片放大5倍,增强识别率(很多图片本身无法识别,放大7倍时就可以轻易识,但是考滤到客户电脑配置低,针式打印机打印不连贯的问题,这里就放大7倍)
            img = ImageHelper.getScaledInstance(img, img.getWidth() * 7, img.getHeight() * 7);
            String result = instance.doOCR(imageFile);
            System.out.println("获取结果："+result);
        } catch (TesseractException | IOException e) {
            e.printStackTrace();
        }
    }