Tesseract，一款由HP實驗室開發由Google維護的開源OCR（Optical Character Recognition , 光學字元識别）引擎，與Microsoft Office Document Imaging（MODI）相比，我們可以不斷的訓練的庫，使圖像轉換文本的能力不斷增強；如果團隊深度需要，還可以以它為模闆，開發出符合自身需求的OCR引擎。
源碼位址為：https://github.com/tesseract-ocr/tesseract；
EXE可執行檔案位址：http://download.csdn.net/download/whatday/7740469；
接下來，我們将在Windows環境下安裝Tesseract并實作簡單的轉換和訓練：
1、Tesseract實作
大體流程：Tesseract安裝 -> 打開指令行 -> 生成目标檔案
Tesseract安裝
下載下傳tesseract-ocr-setup-3.02.02.exe安裝包，安裝成功後會在相應磁盤下有Tesseract-OCR檔案夾，如圖
打開指令行
打開指令行，輸入tesseract，回車；以下便是tesseract的大體面貌：
生成目标檔案
先準備一張圖檔檔案，如test.png
将指令行切換至目标圖像檔案目錄，比如我們轉換檔案為test.png（圖檔檔案允許多種格式），位于C:\Users\Lian\Desktop\test；然後在指令行中輸入
tesseract test.png output_1 –l eng 【文法】: tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile…]
imagename為目标圖檔檔案名，需加格式字尾；outputbase是轉換結果檔案名；lang是語言名稱（在Tesseract-OCR中tessdata檔案夾可看到以eng開頭的語言檔案eng.traineddata），如不标-l eng則預設為eng。
打開檔案output_1.txt，發現tesseract成功的将圖像轉換成152408。
可喜可賀，說明老牌名将tesseract還是很強的！但是還是有點不夠準确，那麼我們有沒有什麼辦法能提高tesseract識别字元準确率呢？接下來，我們将使用配套訓練工具jTessBoxEditor來訓練樣本，來提高我們的準确率！
2、Tesseract訓練：
大體流程為：安裝jTessBoxEditor -> 擷取樣本檔案 -> Merge樣本檔案 –> 生成BOX檔案 -> 定義字元配置檔案 -> 字元矯正 -> 執行批處理檔案 -> 将生成的traineddata放入tessdata中
安裝jTessBoxEditor
下載下傳jTessBoxEditor，位址https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/；解壓後得到jTessBoxEditor，由于這是由Java開發的，是以我們應該確定在運作jTessBoxEditor前先安裝JRE（Java Runtime Environment，Java運作環境）。
擷取樣本檔案
我們可以用畫圖工具繪制樣本檔案，數量越多越好，我自己畫了5張圖，如圖：
【注意】：樣本圖像檔案格式必須為tif\tiff格式，否則在Merge樣本檔案的過程中會出現 Couldn’t Seek 的錯誤。
Merge樣本檔案
打開jTessBoxEditor，Tools->Merge TIFF，将樣本檔案全部選上，并将合并檔案儲存為num.font.exp0.tif
生成BOX檔案
打開指令行并切換至num.font.exp0.tif所在目錄，輸入，生成檔案名為num.font.exp0.box
tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox 【文法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox
lang為語言名稱，fontname為字型名稱，num為序号；在tesseract中，一定要注意格式。
定義字元配置檔案
在目标檔案夾内生成一個名為font_properties的文本檔案，内容為
font 0 0 0 0 0 【文法】：<fontname> <italic> <bold> <fixed> <serif> <fraktur>
fontname為字型名稱，italic為斜體，bold為黑體字，fixed為預設字型，serif為襯線字型，fraktur德文黑字型，1和0代表有和無，精細區分時可使用。
字元矯正
打開jTessBoxEditor，BOX Editor -> Open，打開num.font.exp0.tif；矯正<Char>上的字元，記得<Page>有好多頁噢！
修改後記得儲存。
執行批處理檔案
在目标目錄下生成一個批處理檔案
rem 執行改批處理前先要目錄下建立font_properties檔案
echo Run Tesseract for Training..
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train
echo Compute the Character Set..
unicharset_extractor.exe num.font.exp0.box
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr
echo Clustering..
cntraining.exe num.font.exp0.tr
echo Rename Files..
rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable
echo Create Tessdata..
combine_tessdata.exe num.
echo. & pause 儲存後執行即可，執行結果如圖：
最終檔案夾内會有以下檔案，如圖：
将生成的traineddata放入tessdata中
最後将num.trainddata複制到Tesseract-OCR中tessdata檔案夾即可。
3、最後的測試
按照之前步驟，使用指令行輸入
tesseract test.png output_2 -l num 我們可以看到新生成的檔案output_2的内容為762408，内容完全正确。細心的人會發現，最後一句指令，我們使用了指令[-l num]而不是[-l eng]。這說明，最後一次轉換我們使用的是新生成的num語言的比對庫而不是預設的eng語言比對庫。
我們可以看到，經過簡單的訓練，我們對于數字資料的轉換準确率提高了很多。Tesseract的優點除了可以不斷學習以外，還因為是使用C++寫的開源程式，可以使用C#或者C++調用以及修改，很關鍵！
關于Tesseract，關于OCR，關于計算機，還有太多值得自己去學習，希望以後可以在這裡記錄下來。
如有錯誤或者建議，請盡情指教！
大二暑期實習
2016/8/12
作者：
小LiAn
出處：
http://www.cnblogs.com/cnlian/>
本文版權歸作者和部落格園共有，歡迎轉載，但未經作者同意必須保留此段聲明，且在文章頁面明顯位置給出,
原文連結
如有問題， 可郵件（[email protected]）咨詢.