[原创]如何提高Tesseract-OCR的识别精度

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
1.使用步骤
1.1.Make Box Fil es
mand
tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] [-l specifiedLang] batch.nochop makebox
1.1.
2.output
[lang].[fontname].exp[num].box
1.2.Fix Box
mand
jTessBoxEditor
1.2.2.output
1.3.Run Tesseract for Training
mand
tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] nobatch box.train
1.3.
2.output
[lang].[fontname].exp[num].tr
[lang].[fontname].exp[num].txt
pute the Character Set
mand
unicharset_extractor [lang].[fontname].exp[num].box
1.4.
2.output
unicharset
1.5.Clustering
mand1
mftraining -F font_properties -U unicharset [lang].[fontname].exp[num].tr
1.5.
2.output1
inttemp mfunicharset Microfeat pffmtable
mand2
cntraining [lang].[fontname].exp[num].tr
1.5.4.output2
normproto
bine
mand
combine_tessdata [dir/]lang.
1.6.
2.output
[lang].traineddata
1.7.Test
mand
tesseract specifiedTif output -l specifiedLang -psm 7
1.7.
2.output
output.txt
2.使用说明
2.1.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。

2.2.关于步骤的说明
2.2.1.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。

2.2.2.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/
2.2.
3.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。

bine
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
my.inttemp
my.mfunicharset
my.Microfeat
my.pffmtable
my.normproto）
如果命令参数中用dir指定了目录，请将上述5个文件一起复制到指定的目录中。

2.2.5.Test
生成traineddata后，就可以用训练所使用的tif图片进行测试。

可以通过-l命令指定使用新生成的traineddata。

例如：my. traineddata则在使用时就输入“-l my”（即不带后缀的文件名）。

测试的结果将会输出到output.txt中，可以和tif图片进行比较。

如果发现识别率不高，请重新进行步骤2（Fix Box）。