最近公司讓我做文字串識別，通過查閱資料，谷歌的開源框架 tesseract-ocr可以幫助我們進行識別圖像，文字等等，tesseract可以識別多種語言(一些常用的語言)，多種圖片格式，非常強大。
首先體驗一下tesseract的強大功能，先安裝 tesseract_ocr ,下載地址爲http://code.google.com/p/tesseract-ocr/，請務必下載3.0.1版本，我前面下的最新3.0.2版本，生成字符特徵命令不能通過，最後勉強解決了，生成的字典識別出來的都是空字符
安裝完成之後 看下根目錄
tessdata文件夾主要存放字典文件，只要把字典文件放進去，就可以用tesseract 識別相關語言的文字
現在先來識別一張圖片
把他放入任意一個文件夾，cmd 命令cd到圖片放置的目錄，然後執行
[html] view plain copy
tesseract 1.jpg 1
可以看到文件夾下 生成了一個txt文本，發現識別的效果並不是很理想。爲啥呢，因爲我所用的這個圖片中的字有所變形，我們的圖片和 tesseract 存在的 字做匹配，找相近的，但是字典中沒有這種變形的字體，自然識別容易出錯，爲了 提高識別率，所以我們需要 訓練一套 字體來提高識別率
訓練 字庫還需要一個工具jTessBoxEditor，下載地址爲 http://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
現在我們來實戰一下，首先要生成一個 .tif 的圖片集，我們使用 jTessBoxEditor 來合併多張 格式爲tif的圖片
1、打開 jTessBoxEditor，選擇tools->merge tif ,選擇 tif圖片，生成一個 格式爲tif的 圖片集
2、我生成一個名爲 why4.tif 的圖片集， 進入 cd進入 why4.tif 所在的目錄，生成對應的 .box 文件
執行命令
[html] view plain copy
tesseract why.tif why4 batch.nochop makebox
這個文件是通過 tesseract 識別出來的，標示了圖片集中 文字的位置，大小，識別後的字符結果。
3、調整，因爲 tesseract 識別的不準確，所以我們用 jTessBoxEditor來調整識別文字的位置、結果。
用 jTessBoxEditor打開生成的圖片集why4.tif ,注意 why4.tif 對應的box文件一定要和他處於同一個文件夾下(請保持文件名)，否則，用jTessBoxEditor打開沒有 位置、識別結果等信息，然後就可以調整了，調整完之後保存
4、生成.tr文件
[html] view plain copy
tesseract why4.tif why4 nobatch box.train
5、計算字符集,從生成的 box文件中提取
[html] view plain copy
unicharset_extractor why4.box
6、生成字體特徵文件，現在文件夾下新建任意文件名的 特徵文件，裏面的內容格式爲
[html] view plain copy
<fontname> <italic> <bold> <fixed> <serif> <fraktur>
fontname爲字體名稱，保持和 圖片集文件 .tif 和.box文件的前綴名一致 ，italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值爲1或0，表示字體是否具有這些屬性。
例如我新建了一個 名爲 font，內容 爲
[html] view plain copy
why4 0 0 0 0 0
的文件
輸入命令
[html] view plain copy
mftraining -F font -U unicharset why4.tr
【特別說明：本次如果不只是font文件的類型，不全名的話可能會mftraining 報錯】
正確的：mftraining -F font.txt -U unicharset why4.tr
7 、聚集tesseract 識別的訓練文件
[html] view plain copy
cntraining why4.tr
執行完這一步之後發現文件夾下生產了許多文件，把unicharset, inttemp, normproto, pfftable這幾個文件加上前綴 why4.
8、最後一步，合併相關文件，生成字典文件
[html] view plain copy
combine_tessdata why4.
好了，至此字典文件就生產了，我們把生成的字典文件why4.traineddata放入到 tesseract_ocr 根目錄下的 tessdata文件夾下
開始使用我們訓練過得字體庫
隨便找一張圖片測試一下
[html] view plain copy
tesseract 13.jpg 13 -l why4
可以看到，效果好了許多
說了這麼多，生成一個字庫還是挺麻煩的，尤其是調整，看得我眼睛都花了，心情煩躁，好不容易做好了一個字庫，但是不夠 ，還要多添加一些訓練內容進去該怎麼辦呢，經過我的研究，終於找到了3.0.1版本合併字庫的方法
首先，需要 生成的字符集.tif文件，位置文件 .box ,只要有這兩個文件在，就可以合併字典
好了，我現在有三個 需要合併的字典 why3 why4 why5，他他們的名字修改爲 name.num 的形式，分別改爲 why.3 why.4 why.5
1、先生成相對應的 .tr 文件
[html] view plain copy
tesseract why.3.tif why.3 nobatch box.train
tesseract why.4.tif why.4 nobatch box.train
tesseract why.5.tif why.5 nobatch box.train
2、從所有文件中提取字符
[html] view plain copy
unicharset_extractor why.3.box why.4.box why.5.box
3、生成字體特徵文件
新建的font文件中 把所有box文件對應的 字體特徵都加進去
[html] view plain copy
why.4 0 0 0 0 0
why.3 0 0 0 0 0
why.5 0 0 0 0 0
[html] view plain copy
mftraining -F font -U unicharset why.3.tr why.4.tr why.5.tr
4 、聚集所有.tr 文件
[html] view plain copy
cntraining why.3.tr why.4.tr why.5.tr
6 、重命名文件，我把unicharset, inttemp, normproto, pfftable 這幾個文件加了前綴why.
7、合併所有文件 生成一個大的字庫文件
[html] view plain copy
combine_tessdata why.