Tesseract-OCR-03-图片文字识别

Posted 2021-01-04 xpwi

Tesseract-OCR-03-图片文字识别

本篇介绍使用 Tesseract-OCR 做图片文字识别，识别手写文字的时候，正确率能达到 90%，当训练后正确率是极高的。这里介绍的图片文字识别，可以识别英文，数字和中文等

Tesseract-OCR 图片文字识别

• Tesseract：一款由HP实验室开发由Google维护的开源OCR，我们可以不断的训练的库，使图像转换文本的能力不断增强；如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎
• 如果还没有安装 Tesseract-OCR 请参考：
  • Windows下 Tesseract-OCR 的安装与 环境变量配置
    https://blog.csdn.net/qq_40147863/article/details/82285920
• 当然配置环境也都下载上面那篇文章了，一步一图很详细

正题 图片文字识别

• 我搜集了几个素材，懒得找可以直接下载：
• https://pan.baidu.com/s/10XxYJa19KIa8-ENdQkhhHg
  
• 这里我是将图片放在了：D:p
• 我们需要在 cmd 进入此目录
  • 使用 cd 目录名 进入目录
  • 使用 cd.. 返回上一级目录

• 使用 Tesseract 命令：
  tesseract 文件名 保存的txt文件名 -l eng 例：

  tesseract num1.jpg num1

• 这里 -l eng 是设置语言，不写的话，默认是 eng 也就是英语
  
• 结果：
  
• 注意：
  • 1.这里如果报错 Tesseract 不是内部或外部命令，就是环境变量没有配置好参照：
    https://blog.csdn.net/qq_40147863/article/details/82285920
  • 2.如果识别的图片文字是中文会提示，0个文字

识别手写英文

• 识别图片 eng2.jpg
  
• 输入命令：保存为 eng2.txt
  
• 我们对比一下结果：
  
• 这里是识别错了一个字母，把 ig 错误的识别成 S，包括上面那张 数字也是错了一个
• 那也就是我们要努力的方向了

识别中文

• 这里识别中文只需要将 -l 参数改成 chi_sim 例如：

• 对 有中文文字的图片 chi1.jpg ，进入图片路径，使用一下命令：

  tesseract chi1.jpg chi1 -l chi_sim

• 图片样式：
  
• 执行命令：
  

• 运行结果：
  

识别英文和数字夹杂验证码

• 例如：

• 对 图片 timg.jpg ，进入图片路径，使用一下命令：

  tesseract timg.jpg timg

• 图片样式：
  
• 执行命令：
  

• 运行结果：
  

Tesseract 训练：

• 我们可以通过重复的训练，用更多的数据去训练，就可以达到更多高的识别正确率
• 我们使用 jTessBoxEditor 训练
• 由于 jTessBoxEditor 的安装和训练，内容比较多，我再整理一篇

更多文章链接：Tesseract 随笔

---

• 本笔记不允许任何个人和组织转载