前言

好久没有更新东西了，这里都快长草了，这次把最近学习ocr识别的学习记录写一下吧，方便以后查看。

OCR了解

OCR介绍

OCR技术是光学字符识别的缩写(Optical Character Recognition)，是通过扫描等光学输入方式将各种票据、报刊、书籍、文稿及其它印刷品的文字转化为图像信息，再利用文字识别技术将图像信息转化为可以使用的计算机输入技术。

OCR软件对比

各项对比值可见维基百科较权威统计

OCR开源引擎分类

• Tesseract-开源OCR引擎，也有命令行工具。HP开发Google接手。3.0之后支持训练支持中文。Golang绑定，最新的3.x版本是3.05.02，最新的4.0版本是基于LSTM的。源码见Tesseract 的github地址。
• Cuneiform for Linux —— 本来是个Windows软件，这是Linux的移植，2011年4月已经停止维护。
• GNU Ocrad —— 命令行工具。有JS移植，可用于前端。
• GOCR —— 命令行工具。有JS移植，可用于前端。
• OCRopy —— 基于训练的OCR引擎，训练后可以达到比Tesseract更高的准确度，项目比Tesseract更年轻。包含一个叫做OCRopus的布局分析器。in Python。
• Microsoft OCR Library —— Windows8.1之后的版本内置OCR引擎，可用于桌面和WindowsPhone。

OCR国内外收费/增量收费API

• 腾讯优图- 试用链接。
• 百度OCR- 试用链接。
• 有道云文字识别-试用链接。
• 阿里云图文识别-试用链接。
• 微软Azure图像识别-试用链接。
• Abbyy-收费软件，有SDK，有Cloud版本。

入门Tesseract-OCR

学习Tess4J

Tess4J简介

Tess4J是对Tesseract-OCR API的Java JNA封装,使java能够通过调用Tess4J的API来使用Tesseract-OCR,支持式:TIFF,JPEG,GIF,PNG,BMP,JPEG,PDF的格式，源码见Tess4J的GitHub地址。

值得一提的是，2018.10.29号Tess4J更新了4.3.0版本，支持Tesseract4.0.0（LSTM版），开发可参考docs-tess4j4.3接口文档 。

Tess4J API 提供的功能

• 直接识别支持的文件
• 识别图片流
• 识别图片的某块区域
• 将识别结果保存为 TEXT/ HOCR/ PDF/ UNLV/ BOX
• 通过设置取词的等级，提取识别出来的文字
• 获得每一个识别区域的具体坐标范围
• 调整倾斜的图片
• 裁剪图片
• 调整图片分辨率
• 从粘贴板获得图像
• 克隆一个图像（目的：创建一份一模一样的图片，与原图在操作修改上，不相互影响）
• 图片转换为二进制、黑白图像、灰度图像
• 反转图片颜色

Tess4J与Tesseract各版本对应关系

• 0.4 (Tesseract 2.04)
• 1.0 (Tesseract 3.02)
• 1.1 (Tesseract 3.02)
• 1.2 (Tesseract 3.02)
• 1.4 (Tesseract 3.02)
• 1.5 (Tesseract 3.02)
• 2.0 (Tesseract 3.03RC)
• 3.0 (Tesseract 3.04)
• 3.3 (Tesseract 3.05)
• 3.4 (Tesseract 3.05.01)
• 4.0 (Tesseract 4.0.0-beta.1)
• 4.1 (Tesseract 4.0.0-beta.3)
• 4.3 (Tesseract 4.0.0)

训练Tesseract-OCR字库

说明

Tesseract官方提供了针对不同版本的Tesseract字库，我个人喜欢wiki地址里下载，因为分类更全更详细（注意选择对应的版本）。官方提供的字库能够解决一些清晰、常规的识别，然而，如果我们想要实现非常规、高精度的识别，就需要自己训练字库了。

注意，库文件一定要选择对应的版本，否则后面无法识别
注意，Tesseract-OCR 4.0版后出现了LSTM方式的训练，但目前JTessBoxEditor还不支持，可以了解的是LSTM方式的训练有如下不同：

• box只在文本行这一级需要，因此当从已经存在的图片数据进行训练时，它更加容易
• .tr文件已经被.lstmf文件代替
• 字体可以，也应该被自由地混合，而不需要分开
• 原来的多步（mf训练，cn训练，形状簇），现在改成一个单一的lstm训练

训练工具

• Tesseract-OCR 3.02版
• JTessBoxEditor 2.2.0版（需要安装jre）

训练过程记录

• 1 .将需要训练的图片都转换成tiff格式

• 2 .JTessBoxEditor界面中选择tools->merge,合并的名称格式为：[自定义语言].[自定义字体].exp[编号].tif，例如xjy.font.exp0.tif

• 3 .命令行生成box文件

  1	tesseract xjy.font.exp0.tif xjy.font.exp0 -l chi_sim batch.nochop makebox

• 4 .JTessBoxEditor界面中点击Box Editor->open，然后选上一步的tif文件，它会自动打开绑定的box文件，然后手动修正识别错误的文字或位置，然后保存

• 5 .新建字体特征文件font_properties

  1	font 0 0 0 0 0

• 6 .用JTessBoxEditor处理之后就可以用如下脚本生成自己的字库文件了

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

  @echo off cd ./ echo. & echo.步骤1：生成.tr文件 echo ************************************************************ tesseract.exe xjy.font.exp0.tif xjy.font.exp0 nobatch box.train echo. & echo.步骤2：生成unicharset文件 echo ************************************************************ unicharset_extractor.exe xjy.font.exp0.box echo. & echo.步骤3：生成inttemp和pffmtable文件 echo ************************************************************ mftraining -F font_properties -U unicharset -O xjy.unicharset xjy.font.exp0.tr echo. & echo.步骤4：生成normproto文件 echo ************************************************************ cntraining.exe xjy.font.exp0.tr echo. & echo.步骤5：重命名相关文件 echo ************************************************************ rename normproto xjy.normproto rename inttemp xjy.inttemp rename pffmtable xjy.pffmtable rename shapetable xjy.shapetable echo. & echo.步骤6：输出.traineddata结果文件 echo ************************************************************ combine_tessdata.exe xjy. echo. & echo.训练完成！！！ echo. & pause

测试识别效果

• 原生Tesseract-OCR命令的效果

  1 2 3 4 5

  @echo off echo %time% tesseract D:\ocr\33.jpg D:\ocr\1 -l eng echo %time% pause

• Tess4J写DEMO的效果

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

  public static void main(String[] args) { ITesseract instance = new Tesseract(); long start = System.currentTimeMillis(); File imageFile = new File("src/test/resources/test-data", "33.jpg"); //设置图片源和语言 instance.setDatapath("src/test/resources/tessdata"); instance.setLanguage("eng"); String result=""; try { result = instance.doOCR(imageFile); } catch (TesseractException e) { // TODO Auto-generated catch block e.printStackTrace(); } System.out.println("输出结果如下："); System.out.println(result); System.out.println("花费时间："+ (System.currentTimeMillis()-start) +"毫秒"); }

主要参考链接

• https://github.com/nguyenq/tess4j
• https://github.com/tesseract-ocr/tesseract
• https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
• https://blog.csdn.net/luojun2007/article/details/51614133
• https://en.wikipedia.org/wiki/Comparison_of_optical_character_recognition_software

赏

打赏看心情，只愿有帮助

支付宝

微信