Tesseract-OCR 安装中文识别与训练字库

Posted 2020-12-15 maybaco

简介

OCR(Optical Character Recognition)：光学字符识别，是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。
Tesseract：开源的OCR识别引擎，初期Tesseract引擎由HP实验室研发，后来贡献给了开源软件业，后由Google进行改进、修改bug、优化，重新发布。

下载

1、Windows版本Tesseract各版本下载，本教程用的版本是tesseract-ocr-setup-4.00.00dev.exe（【注意】要3.0以上才支持中文）。
项目github地址：Tesseract

2、各版本对应字库要识别简体中文需要下载chi_sim.traindata字库（【注意】根据版本下载对应字库）。

3、jTessBoxEditor官网下载，用来训练字库的，带FX的版本才支持中文。

安装

1、点击tesseract-ocr-setup-4.00.00dev.exe文件，按提示安装就行，安装成功之后如下张图：

 

 

【注意】tesseract在win7系统配置环境变量跟java jdk配置相同。

复制你的安装路径，我的安装路径D:PythonTesseract-OCR，界面如下：

 

 打开我的电脑--系统属性->高级->环境变量

 

 

 

 

【注意】 于其他路径要以“；”隔开

在CMD窗口中输入“tesseract -v，”配置成功如下图：

 

 

2、将下载好的字库放到Tesseract-OCR项目的tessdata文件夹里面。

识别

进入cmd，进入到要识别的图片的路径下E:PythonCode*** esseract图片识别(根据自己图片位置而定)，输入命令

识别

进入cmd，进入到要识别的图片的路径下E:PythonCode*** esseract图片识别(根据自己图片位置而定)，输入命令

 

 

例如我的图片识别就是：

 

 

 

 经验转载于：https://www.jianshu.com/p/3326c7216696