0.介绍

Tesseract是一个开源的OCR引擎，能识别100多种语言（中，英，韩，日，德，法...等等），但是Tesseract对手写的识别能力较差。

1.安装

//安装tesseract的同时安装训练工具
brew install --with-training-tools tesseract//安装tesseract的同时安装所有语言，语言包比较大，如果安装的话时间较长，建议不安装，按需选择
brew install  --all-languages tesseract//安装tesseract，并安装训练工具和语言
brew install --all-languages --with-training-tools tesseract //只安装tesseract，不安装训练工具
brew install  tesseract

参考文档:http://khalsa.guru/posts/16

2.下载语言库

下载地址:https://github.com/tesseract-ocr/tessdata

根据自己的需求选择所要的语言库，在这里我们选择的是简体中文所以选择的库是：chi_sim.traineddata
将文件拷贝到到：/usr/local/Cellar/tesseract/3.04.01_2/share/tessdata目录下。

库名-语言表如下

3.Tesseract使用

终端输入命令:tesseract --help

Usage:tesseract --help | --help-psm | --versiontesseract --list-langs [--tessdata-dir PATH]tesseract --print-parameters [options...] [configfile...]tesseract imagename|stdin outputbase|stdout [options...] [configfile...]OCR options:--tessdata-dir PATH   Specify the location of tessdata path.--user-words PATH     Specify the location of user words file.--user-patterns PATH  Specify the location of user patterns file.-l LANG[+LANG]        Specify language(s) used for OCR.-c VAR=VALUE          Set value for config variables.Multiple -c arguments are allowed.-psm NUM              Specify page segmentation mode.
NOTE: These options must occur before any configfile.Page segmentation modes: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.Single options:-h, --help            Show this help message.--help-psm            Show page segmentation modes.-v, --version         Show version information.--list-langs          List available languages for tesseract engine.--print-parameters    Print tesseract parameters to stdout.

一般使用:

//默认使用eng文字库， imgName是图片的地址，result识别结果
tesseract imgName result

指定语言:

//指定使用简体中文
tesseract -l chi_sim imgName result//查看本地存在的语言库
tesseract --list-langs

指定多语言:

//指定多语言，用+号相连
tesseract -l chi_sim+eng imgName result

有个地方需要特别注意，参数psm

//输入命令，查看psm的参数
tesseract --help-psm0    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.翻译（可能不是很准,最好看原文）：0 定向脚本监测（OSD）1 使用OSD自动分页2 自动分页，但是不使用OSD或OCR（Optical Character Recognition，光学字符识别）3 全自动分页，但是没有使用OSD（默认）4 假设可变大小的一个文本列。5 假设垂直对齐文本的单个统一块。6 假设一个统一的文本块。7 将图像视为单个文本行。8 将图像视为单个词。9 将图像视为圆中的单个词。10 将图像视为单个字符。

根据情况选择不同的psm值，这很重要，如果选择到不恰当的值会导致识别失败。
例如:

1234.png

使用命令:

//不设置psm值的命令
tesseract 1234.png 1234 -l chi_sim打印:
Tesseract Open Source OCR Engine v3.04.01 with Leptonica
Info in fopenReadFromMemory: work-around: writing to a temp file
Empty page!!
Empty page!!//不设置psm值的命令
tesseract 1234.png 1234 -l chi_sim -psm 6成功识别:
一二三四
一二三四

4.语言训练

提前准备:
1.training tools。（在安装tesseract时候运行brew install --with-training-tools tesseract这句命令会同时安装training tools）
2.jTessBoxEditor工具。
3.训练素材

在这里准备的素材如下:

hui.png

yi.png

执行命令:

tesseract hui.png hui -l chi_sim -psm 10
识别结果：瞧tesseract yi.png yi -l chi_sim -psm 10
识别结果：=

显然自带chi_sim库对隳易这两个字的识别不是很好。为了识别这两个字，我们要对这两个字进行训练。

1.素材合成，(多个素材合成)
打开jTessBoxEditor工具，菜单栏：tools->Merge TIFF...，选中要合成的图片并保存为为：huiyi.fitt。

2.生成box文件

//命令
tesseract  huiyi.tif huiyi -l chi_sim -psm 10 batch.nochop makebox

执行后会在生成一个名为huiyi.box的box文件。

用文本编辑器或者xcode打开:

瞧 31 37 112 119 0
= 51 86 93 106 1

修改为：

隳 31 37 112 119 0
易 51 86 93 106 1

保存文件。

3.生成.tr文件

//命令
tesseract huiyi.tif huiyi -psm 10 nobatch box.train

4.生成unicharset文件

//命令
unicharset_extractor huiyi.box

注意unicharset_extractor命令是training tools里面的集成命令，如果运行时说没有找到该命令则说明你没有安装training tools。

5.创建font_properties文件
字体特征文件，Tesseract-OCR 3.01 及以上版本在训练之前都要创建font_properties文件。文件格式内容格式如下：

fontname italic bold fixed serif fraktur//翻译
字体名字 倾斜 加粗 固定宽度 衬线体 哥特字体

除了字体之外其他的值都是bool值，0或1

在这里font_properties的内容是：

font 0 0 0 0 0

执行命令：

echo 'font 0 0 0 0 0' > font_properties

5.training

执行命令：

shapeclustering -F font_properties -U unicharset huiyi.tr

会生成：shapetable文件，重命名为huiyi.shapetable

执行命令：

mftraining -F font_properties -U unicharset -O huiyi.unicharset huiyi.tr

会生成：huiyi.unicharset、inttemp，pffmtable文件，将inttemp，pffmtable重命名为：huiyi.inttemp，huiyi.pffmtable

执行命令：

cntraining huiyi.tr

会生成：normproto文件，重命名为huiyi.normproto

6.得到traineddata文件

执行命令：

combine_tessdata huiyi.//打印
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.

将huiyi.traineddata移动到/usr/local/Cellar/tesseract/3.04.01_2/share/tessdata/目录下

执行命令：

cp huiyi.traineddata /usr/local/Cellar/tesseract/3.04.01_2/share/tessdata/

7.验证
执行命令:

tesseract hui.png hui -l huiyi -psm 10
识别结果：瞧tesseract yi.png yi -l huiyi -psm 10
识别结果：易

成功识别。

结语：好久没写了，这篇是之前就写好的，一直没发，刚过完年诸事繁忙，一直没时间写。在新的一年祝各位同仁前程似景。最近看下有没有时间将Tesseract迁移到iOS上，之前试过效果并不好，主要是识别速度偏慢，而且还没有一个很好的灰度算法用来处理图片。