如何提高Tesseract-OCR的识别精度.docVIP

如何提高Tesseract-OCR的识别精度 概述： 本文介绍了提高Tesseract-OCR识别精度的步骤及注意事项。通过对Tesseract-OCR的训练能有效提高Tesseract-OCR的识别精度，特别是对与验证码识别方面有很大帮助。 关键字： Tesseract-OCR,验证码,自动识别,手册,教程 使用步骤 Make Box Files command tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] [-l specifiedLang] batch.nochop makebox output [lang].[fontname].exp[num].box Fix Box command jTessBoxEditor output Run Tesseract for Training command tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] nobatch box.train output [lang].[fontname].exp[num].tr [lang].[fontname].exp[num].txt Compute the Character Set command unicharset_extractor [lang].[fontname].exp[num].box output unicharset Clustering command1 mftraining -F font_properties -U unicharset [lang].[fontname].exp[num].tr output1 inttemp mfunicharset Microfeat pffmtable command2 cntraining [lang].[fontname].exp[num].tr output2 normproto Combine command combine_tessdata [dir/]lang. output [lang].traineddata Test command tesseract specifiedTif output -l specifiedLang -psm 7 output output.txt 使用说明 关于名称的说明 在各个步骤中多处出现类似[lang].[fontname].exp[num]的名称，这个是按照tesseract的使用说明写的，但在实际使用过程中并不是必须的，可以从简。 例如：my.calibri.exp0.tif写成my.tif也是可以的。 关于步骤的说明 Make Box File [-l specifiedLang]个人认为主要是为了减少步骤2（Fix Box）的工作量而使用的。选择合适的文件可以让生成的box更加准确，减少修改工作量。 Fix Box jTessBoxEditor是一个tesseract-OCR的辅助工具，主要用来修改生成的Box。它还有2个不错的功能就是：1、合并tif文件；2、利用一个文本和设置的字体生成一个tif图片。 在用jTessBoxEditor修改生成的Box过程中需要注意，如果tesseract-OCR没有认出某个tif图片上的文字，最好不要自行添加，也不要对粘连的字符进行split或对分开的字符进行merge。因为很可能即使这么做了，在步骤3（Run Tesseract for Training）里也只是会收到一个错误提示。 通过用jTessBoxEditor对识别错误的Box进行修改，可以有效提高Tesseract-OCR的识别精度，特别是在图片中的字符出现粘连的情况下。 jTessBoxEditor的下载地址是： /projects/vietocr/files/jTessBoxEditor/ Clustering 按照tesseract-OCR的说明，在这个步骤里是可以一次对多个tr进行操作的，但我每次都提示程序出错，所以我采取合并文件的方式来变通。 Combine 这个步骤所生成的traineddata文件就是tesseract-OCR进行识别的关键。在执行combine_tessdata命令前，请将步骤4（Compute the Character Set）和5（Clustering）中生成的6个文件重命名，在文件名前加上“lang.”。 例如：lang是my， 则对应的文件名就是 my. unicharset temp my.mfunicharset my.Microfeat my.pffmtable my.n