本人最近在做字符識別，所以自行在網上尋找方法，接觸到tesseract，自己按照網上方法做的時候，也遇到一些問題，解決了一些。所以我決定寫下我第一個博客，一是方便自己以後查看，更新學習。二是方便和網友交流學習。
Tesseract介紹
Tesseract是一個開源的OCR（Optical Character Recognition，光學字符識別）引擎，可以識別多種格式的圖像文件並將其轉換成文本，目前已支持60多種語言（包括中文）。 Tesseract最初由HP公司開發，後來由Google維護，目前發佈在Googel Project上。
安裝Tesseract，從http://code.google.com/p/tesseract-ocr/downloads/list下載Tesseract，3.01上的版本支持中文。安裝後在電腦上會有一個Tesseract-OCR目錄，通過目錄錄下的tesseract.exe程序就可以對圖像的字符進行識別。考慮到萬一有人上不了谷歌，這個Tesseract-OCR文件夾我也上傳了，地址：點擊打開鏈接。文件夾中除了Tesseract的相應文件外，還有一個tesseract-vs2013-include-lib-dll文件，這個是VS2013用來調用API的配置文件，後面的博客會寫到。打開如圖所示。
使用默認的語言庫識別
準備一張待識別的圖片，我選取一段《成都》的歌詞。
接着就可以打開命令行，進入Tesseract-OCR的目錄，輸入：
tesseract.exe gc.jpg result -l chi_sim其中result表示輸出結果文件txt名稱，chi_sim表示用以識別的語言文件爲英文。執行後文件夾中會多一個result.txt。
效果非常不好，因爲很多漢字是左右結構，比如：眼淚。所以我要自己訓練自己的中文庫。
訓練樣本
訓練樣本需要一個工具，jTessBoxEditor，下載地址：點擊打開鏈接。這個工具是用java開發的，需要jre7以上的版本支持。
1、獲取訓練的圖片，爲了方便我使用了原來的圖片一張，樣本當然是越多越好。
2、合併樣本文件，打開jTessBoxEditor，點開train.bat。在菜單欄中Tools->Merge TIFF。在彈出的窗口中可以選擇多張樣本圖片（網上之前有說要.tif格式的圖片，測試.jpg格式的也行），我這邊就用了一張樣本圖片。
一張或者多張圖片可以合成一張tif文件。
3、生成box文件， 打開命令行，輸入：
tesseract.exe gc.font.exp1.tif gc.font.exp1 batch.nochop makebox生成的BOX文件爲gc.font.exp1.box，BOX文件爲Tessercat識別出的文字和其座標。Make BOX的命名的個數爲：
tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox 4、文字矯正，打開jTessBoxEditor工具，打開gc.font.exp1.tif文件（必須將上一步生成的.box和.tif樣本文件放在同一目錄），如下圖所示。可以看出有些字符分割和識別都不正確，可以通過該工具手動對每張圖片中識別錯誤的字符進行校正。校正完成後保存即可。（注：發現中文打不上去，在菜單Setting->Font中可以修改，改爲宋體即可）
對於標定的方框以及識別的字符進行修改。
選擇兩個或兩個以上的框，Merge可進行合併；Split將框進行拆分；Insert插入框，如果圖片上一個框也沒有，那無法進行插入；Delete刪除框。選擇要修改的字符框，在Character中輸入想要修改的字，再點擊齒輪，即可修改。修改後，如下圖所示：
5、生成.tr文件，在命令行中輸入：
tesseract gc.font.exp1.tif gc.font.exp1 nobatch box.train 6、計算字符集，從生成的box文件中提取，繼續輸入：
unicharset_extractor gc.font.exp1.box<fontname> <italic> <bold> <fixed> <serif> <fraktur> 例如：我建了一個名爲font的文件，裏面內容爲：font 0 0 0 0 0
這個文件可以是手動生成的txt文件，也可以在在命令行中輸入：
echo font 0 0 0 0 0 >font8、特徵訓練，繼續在命令行輸入：
mftraining -F font -U unicharset gc.font.exp1.tr 在這一步我出現了好幾個錯誤，如下圖
（1）Failed to load unicharset from file uncharset，這是因爲剛剛的font的文件，如果是在txt中寫的，一定要寫成font.txt，加上後綴。
（2）feature training for Tesseract已停止工作。命令行顯現：
Reading num.tr …
Font id = -1/0, class id = 1/13 on sample 0
font_id >= 0 && font_id < font_id_map_.SparseSiz..\..\classify\trainingsampleset.cpp, line 622
這個問題就是上面命名所導致的，所以還是規範命名。
9、聚集tesseract識別的訓練文件，命令行輸入：
cntraining gc.font.exp1.tr有人會說其他還有一條shapeclustering語句，說下這個步驟可有可無，這個是在3.02中新加的，主要針對印度語，所以我們在做的時候會有一個警告warning No shape table file present。
這時候文件夾中會多了四個文件，在unicharset，inttemp，normproto，pfftable文件名前面加上font.。如下圖所示：
10、最後，合併相關文件，生成字典文件，輸入：
combine_tessdata font. 所有輸入命令如下圖所示
最終，在當前目錄中會產生一個爲font.traineddata文件，將其拷到tessdata文件夾中，再測試一下。
雖然不是全部識別出來，但是較之前的識別率提高了很多，這個和樣本數量也是有關係的，而且這句話中左右結構的字特別多，原圖26個字，卻識別出31個字出來了，這個問題，我還沒想到什麼方法，單個字訓練？。我也試了其他字符訓練，效果還可以
這是我第一次寫博客，想到哪裏寫到哪裏，如果哪些地方寫的不恰當的，還請大神指出來，謝謝。