《如何提高Tesseract-OCR的识别精度》由会员分享，可在线阅读，更多相关《如何提高Tesseract-OCR的识别精度（5页珍藏版）》请在装配图网上搜索。
1、如何提高Tesseract-OC的识别精度
概述：
本文介绍了提高Tesseract-OC识别精度的步骤及注意事项。通过对Tesseract-OCR 的训练能有效提高Tesseract-OCF的识别精度，特别是对与验证码识别方面有很 大帮助。
关键字：
Tesseract-OC验证码，自动识别，手册，教程
1. 使用步骤
1.1. Make Box Files
1.1.1. command
tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] [-l specifiedLang] batch.no
2、chop makebox
1.1.2. output
[lang].[fontname].exp[num].box
1.2. Fix Box
1.2.1. command
jTessBoxEditor
1.2.2. output
1.3. Run Tesseract for Training
1.3.1. command
nobatch
tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] box.train
1.3.2. output
[lang].[fontname].exp[num]
3、.tr
[lang].[fontname].exp[num].txt
1.4. Compute the Character Set
1.4.1. command
unicharset_extractor [lang].[fontname].exp[num].box
1.4.2. output
unicharset
1.5. Clustering
1.5.1. command1
mftraining -F font_properties -U unicharset [lang].[fontname].exp[num].tr
1.5.2. output1
inttemp mf
4、unicharset Microfeat pffmtable
1.5.3. command2
cntraining [lang].[fontname].exp[num].tr
1.5.4. output2
normproto
1.6. Combine
1.6.1. command
combine_tessdata [dir/]lang.
1.6.2. output
[lang].traineddata
1.7. Test
1.7.1. command
tesseract specifiedTif output -l specifiedLang -psm 7
1.7.2
5、. output
output.txt
2. 使用说明
2.1. 关于名称的说明
在各个步骤中多处出现类似 [lang].[fontname].exp[num] 的名称，这个是按照 tesseract的使用说明写的，但在实际使用过程中并不是必须的，可以从简。 例如： my.calibri.exp0.tif 写成 my.tif 也是可以的。
22关于步骤的说明
2.2.1. Make Box File
[-1 specifiedLang个人认为主要是为了减少步骤 2 ( Fix Box)的工作量而使用的 选择合适的文件可以让生成的box更加准确，减少修改工作量。
2・2・2・Fi
6、x Box
jTessBoxEdito是一个tesseract-OCR的辅助工具，主要用来修改生成的Box。它还
有2个不错的功能就是：
1、合并tif文件；2、利用一个文本和设置的字体生成
一个tif图片
在用jTessBoxEdito修改生成的Box过程中需要注意，如果tesseract-OCR没有认 出某个tif图片上的文字，最好不要自行添加，也不要对粘连的字符进行 split或
对分开的字符进行 merge。因为很可能即使这么做了，在步骤3( Run Tesseract for Training)里也只是会收到一个错误提示。
通过用jTessBoxEditor对识别错误的
7、Box进行修改，可以有效提高 Tesseract-OCR 的识别精度，特别是在图片中的字符出现粘连的情况下。
jTessBoxEdito的下载地址是：
http://sourceforge. net/projects/vietocr/files/jTessBoxEditor/
2.2・3・ Clustering
按照tesseract-OCR的说明，在这个步骤里是可以一次对多个 tr进行操作的，但
我每次都提示程序出错，所以我采取合并文件的方式来变通。
2.2・4・ Combine
这个步骤所生成的traineddata文件就是tesseract-OCR进行识别的关键。在执行 c
8、ombine_tessdata命令前，请将步骤 4( Compute the Character Se)和 5( Clustering) 中生成的6个文件重命名，在文件名前加上“ Iang.”。
例如：lang是 my，
则对应的文件名就是
my. uni charset
my.i nttemp
my.mfu nicharset
my.Microfeat
my.pffmtable
my.no rmproto)
如果命令参数中用dir指定了目录，请将上述5个文件一起复制到指定的目录中。
2.2.5. Test
生成 traineddata 后，就可以用训练所使用的 tif 图片进行测试。可以通过 -l 命令 指定使用新生成的traineddata。例如：my. traineddata则在使用时就输入“-l my” （即不带后缀的文件名）。测试的结果将会输出到 output.txt 中，可以和 tif 图片 进行比较。
如果发现识别率不高，请重新进行步骤 2（Fix Box）。
如果无法识别，请注意检查是否有遗漏上述步骤的哪一步，或是在执步骤 6
（Comb ine）时是否有遗漏什么文件没有重命名或复制到指定目录下。
如何提高Tesseract-OCR的识别精度
