轉載自：http://blog.csdn.net/firehood_/article/details/8433077
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。地址爲http://code.google.com/p/tesseract-ocr/。
使用默認的語言庫識別
1.安裝Tesseract
3. 打開命令行，定位到Tesseract-OCR目錄，輸入命令：
- tesseract.exe number.jpg result -l eng
tesseract.exe number.jpg result -l eng其中result表示輸出結果文件txt名稱，eng表示用以識別的語言文件爲英文。
3. 打開Tesseract-OCR目錄下的result.txt文件，看到識別的結果爲7542315857，有3個字符識別錯誤，識別率還不是很高，那有沒有什麼方法來提供識別率呢？
其實Tesseract提供了一套訓練樣本的方法，用以生成自己所需的識別語言庫。下面介紹一下具體訓練樣本的方法。
訓練樣本
1.下載工具jTessBoxEditor. http://sourceforge.net/projects/vietocr/files/jTessBoxEditor/，這個工具是用來訓練樣本用的，由於該工具是用JAVA開發的，需要安裝JAVA虛擬機才能運行。
2. 獲取樣本圖像。用畫圖工具繪製了5張0-9的文樣本圖像（當然樣本越多越好），如下圖所示：
- tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox
tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox生成的BOX文件爲num.font.exp0.box，BOX文件爲Tessercat識別出的文字和其座標。
注：Make Box File的命令格式爲：
- tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox
tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox其中lang爲語言名稱，fontname爲字體名稱，num爲序號，可以隨便定義。
5.文字校正。運行jTessBoxEditor工具，打開num.font.exp0.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。可以看出有些字符識別的不正確，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。
font_properties不含有BOM頭，文件內容格式如下：
- <fontname> <italic> <bold> <fixed> <serif> <fraktur>
<fontname> <italic> <bold> <fixed> <serif> <fraktur>其中fontname爲字體名稱，必須與[lang].[fontname].exp[num].box中的名稱保持一致。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值爲1或0，表示字體是否具有這些屬性。
這裏在樣本圖片所在目錄下創建一個名稱爲font_properties的文件，用記事本打開，輸入以下下內容：
- font 0 0 0 0 0
font 0 0 0 0 0- rem 執行改批處理前先要目錄下創建font_properties文件
- 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.
rem 執行改批處理前先要目錄下創建font_properties文件
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.將批處理通過命令行執行。執行後的結果如下：
需確認打印結果中的Offset 1、3、4、5、13這些項不是-1。這樣，一個新的語言文件就生成了。
num.traineddata便是最終生成的語言文件，將生成的num.traineddata拷貝到Tesseract-OCR-->tessdata目錄下。可以用它來進行字符識別了。
使用訓練後的語言庫識別
用訓練後的語言庫識別number.jpg文件， 打開命令行，定位到Tesseract-OCR目錄，輸入命令：
- tesseract.exe number.jpg result -l eng
tesseract.exe number.jpg result -l eng識別結果如如圖所示，可以看到識別率提高了不少。通過自定義訓練樣本，可以進行圖形驗證碼、車牌號碼識別等。感興趣的朋友可以研究研究。
