Win10 环境安装tesseract-ocr 4.00并配置环境变量

Posted 2021-01-08 allen-rg

一、安装：

选择对应版本，https://digi.bib.uni-mannheim.de/tesseract/

1：下载安装包

根据https://github.com/tesseract-ocr/tesseract/wiki，我找到非官方的安装包，好像我只看到64位的安装包http://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-4.00.00dev.exe，下载后直接安装即可，但是要记得你的安装目录，我们等会配置环境变量要用。

如果不是做英文的图文识别，还需要下载其他语言的识别包https://github.com/tesseract-ocr/tesseract/wiki/Data-Files。

简体字识别包：https://raw.githubusercontent.com/tesseract-ocr/tessdata/4.00/chi_sim.traineddata

繁体字识别包：https://github.com/tesseract-ocr/tessdata/raw/4.0/chi_tra.traineddata

2：安装

直接执行下载好的tesseract-ocr-setup-4.00.00dev.exe，下一步、下一步安装。

3：配置环境变量

打开命令终端，输入：tesseract -v，可以看到版本信息

到这里，我们就算安装完成了，但是，我们的系统还是无法识别中文的，我们要去下载简体汉字、繁体汉字语言包（上文给了地址了），语言包是放在 tessdata文件下即可。

 

问题解决：

在windows下安装成功之后，进行tesseract的操作，碰到如下错误信息： E: estdir>tesseract test.png test1 -l eng Error opening data file Program Files (x86)Tesseract-OCR essdata/eng.traineddata Please make sure the TESSDATA_PREFIX environment variable is set to the parent directory of your "tessdata" directory. Failed loading language ‘eng‘ Tesseract couldn‘t load any languages! Could not initialize tesseract.    错误信息的关键词是tesseract_prefix的环境变量设置。    

解决办法：  找到testData所在的目录，默认情况下是在tesseract安装的目录，在环境变量中设置TESSDATA_PREFIX的环境变量为testdata所在的目录即可。

增加一个TESSDATA_PREFIX变量名，变量值还是我的安装路径C:Program Files (x86)Tesseract-OCR;

重新运行命令即可正常使用。  

参考：https://blog.csdn.net/blueheart20/article/details/53207176?utm_source=copy

 

 

二、识别

1、进入cmd，进入到要识别的图片的路径下。

2、输入命令

tesseract 图片名称 生成的结果文件的名称 字库

例如：

tesseract test.jpg result -l chi_sim

识别完后会生成result.txt文件

当然啦效果不太理想。所以我们要训练自己的字库。

 

 

三、训练

1、将图片转换成tif格式，用于后面生成box文件。可以通过画图，然后另存为tif即可。

更改图片名字，这个是有要求的=。=

tif文面命名格式[lang].[fontname].exp[num].tif
lang是语言 fontname是字体 
比如我们要训练自定义字库 mjorcen字体名normal
那么我们把图片文件重命名 mjorcen.normal.exp0.jpg在转tif。

 

2、生成box文件。

1	tesseract mjorcen.normal.exp0.jpg mjorcen.normal.exp0 -l chi_sim batch.nochop makebox

box文件和对应的tif一定要在相同的目录下，不然后面打不开。

 

3、打开jTessBoxEditor矫正错误并训练

打开train.bat

找到tif图，打开，并校正。

问题：

最初在jTessBoxEditor中，所有中文字体都显示乱码（方框），只需要的设置中，将字体修改成【宋体】就没问题了 。

 

 

4、训练。

只要在命令行输入命令即可。

1	tesseract  mjorcen.normal.exp0.jpg mjorcen.normal.exp0  nobatch box.train

1	unicharset_extractor mjorcen.normal.exp0.box

 

在这我明明已经矫正好了，但是还是有1个字符不能识别出来，报的错跟实际上完全没有相关性，不知道是不是bug，到后面的结果就是“园”字没有识别出来。

先不管，毕竟只有一个样本。

 

新建一个font_properties文件

里面内容写入 normal 0 0 0 0 0 表示默认普通字体

 

继续敲命令

1 2 3 4 5 6 7 8 9

shapeclustering -F font_properties -U unicharset mjorcen.normal.exp0.tr       mftraining -F font_properties -U unicharset -O unicharset mjorcen.normal.exp0.tr       cntraining mjorcen.normal.exp0.tr

 

最后会生成五个文件，把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上normal.

如图：

 

命令行输入，合并五个文件：

1	combine_tessdata normal.

得到训练好的字库。

 

四、测试

1、把 normal.traineddata 复制到Tesseract-OCR 安装目录下的tessdata文件夹中

 

2、识别命令：

1	tesseract mjorcen.normal.exp0.jpg mjorcen.normal.exp0 -l normal

 

3、效果

 

对比：

 

 总结：

 jTessBoxEditor 是正常可用的，单是在校正训练的时候，定位文本的框不好调整，只能进行插入、删除、合并操作

不能对位置进行改变。这样对于训练来说很难得到比较好的分割文字，会产生不好的影响。

 

参考：http://www.cnblogs.com/wzben/p/5930538.html

http://www.cnblogs.com/jianqingwang/p/6978724.html