Tesseract-OCR使用有感

这玩意儿就只有一个Tesseract.dll 就算有其它的加上x64目录下的另外两个dll leptonica-1.80.0.dll  tesseract41.dll也不过几兆而已，但是 但是 但是 加上字库文件可就大了 几十兆 。也充分说明了这玩意儿跟我原先说的一样的主要在于字库的匹配。如果只识别数字英文这种 那你调用百度的库反而是个大包袱还必须联网，近期听到一段话 世界上本没有标准件 行业形成了也就有了标准件。资本主义国家形成了标准件 于是我们也就只有在别人的框框里钻来钻去 始终跳不出这个圈儿，如果你明白原理的话就知道其实是不需要标准件的，造轮子才有乐趣嘛，哇哈哈哈。

使用过程还是很简单的。首先使用nu-get安装Tesseract ，注意搜索的时候标题是tesseract 然后 作者是charles weld 版本是v4.1.1的那个 不要弄错了，我的项目.NetFramework框架是4.0 安装完成后会自动为我们添加tesseract的引用。然后网上随意抄一段函数，功能是给一个图片调用引擎识别图片里的文字：

private List<string> GetProductNumberFromImage(string imagePath)
{
    List<string> resultList = new List<string>();//chi_sim
    //using (var ocr = new TesseractEngine(System.IO.Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "tessdata"), "normal", EngineMode.Default))
    using (var ocr = new TesseractEngine(System.IO.Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "tessdata"), "eng", EngineMode.Default))
    {                
        //ocr.SetVariable("tessedit_char_whitelist", "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz");//
        var pix = PixConverter.ToPix(new Bitmap(imagePath));
        using (var page = ocr.Process(pix))
        {
            string text = page.GetText();
            if (!string.IsNullOrEmpty(text))
            {
                resultList.Add(text);
               
            }
        }
    }
    return resultList;
}

还是那句话 遇事先冷静想想为什么总是有好处的。demo运行不起的时候 仔细看代码tessdata的字符 噢 原来如此 尝试下吧，需要事先下载名为eng.traineddata的语言文件置于你编译好的执行文件目录下的tessdata目录,果然。

还可以使用此语句预定义识别内容

ocr.SetVariable("tessedit_char_whitelist", "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz");

在数字和英文的情况下识别率还可以的。中文的话就有些惨了。

 

 于是我们需要进行校正 ，说实话校正的过程比上面麻烦多了 又要敲命令又要咋的 麻烦的一逼，需要用到一堆工具。
这些打成包的工具在此地址下载https://sourceforge.net/projects/vietocr/   

下载好后我们参照这篇文章进行实施https://www.cnblogs.com/wzben/p/5930538.html
大概过程就是用工具敲dos命令生成box文件 其实也就是一个带方框的字体描述文件 告诉你系统目前是怎样识别的，然后用一个GUI工具 jTessBoxEditor 在界面上对文本的宽高 框选范围调整 对应哪个汉字 进行校正。 

当我运行train.bat 运行不起的时候弹出 Windows找不到javaw 的时候咋办啊 不要去纠字面意思 ，估计是需要安装jdk吧 尝试一下安装jdk8 果然如此。训练字库的过程中 报错了 Failed to load font_properties from font_properties ，找到一篇博文 https://blog.csdn.net/dragoo1/article/details/8439272 大概看了下没错就是他了 照着实施 bingo 搞定。

 

能够进行到这一步说明你还能不厌其烦，还能清晰思考说明你是个合格的程序员。 稍微注意下你会发现问题的关键那就是对于汉字的 宽高判别  和部首偏旁偏旁的区域归并 识别引擎很难判定，该框选的不作为一个字单位处理，不该框选的多框 ，这个对识别率影响很大。就连调用微软office的MODI汉字识别率也不见得多高。关键点就在于每单位字宽高的智能判断，相信百度那些也只不过针对这些点进行解决了的而已。用的是别人的引擎即使开源的这复杂度 字单位宽高智能判断我们是改不动的 这里我们只是按部就班的进行模板训练 以提高识别率。 

经历一些麻烦的校正和命令操作得到一个normal.traineddata 文件 ，复制到debug下的tessdata目录。注意字库载入代码更改成normal。

using (var ocr = new TesseractEngine(System.IO.Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "tessdata"), "normal", EngineMode.Default))

实际上基于模板匹配的这种规规矩矩的OCR已经是非常非常基础的了，毕竟Tesseract-OCR那只有几兆的体积 连我上面说的文本行检测 汉字智能切割 这种都没有 也有可能是我没找到使用方式 谷歌维护的还支持深度学习应该还是可以的 ，但是目前就我的使用感来说的话一般般只是一个将就用了。 把他吹的多么好又是开源的 因为基本上何耐市面上一个能用的免费的了 其它的已经是垃圾中的垃圾了，其它的商用的别人也不会拿出来给免费用的你说对吧

再次测试稍许提高了识别率，好，zhongguo特色的"差不多任务"差不多先生，成功达成任务目标。交差了事

最后：我们自己训练了一个库，然后有从官网下载好的默认的库。如果上面一折腾不就只能使用我们自己训练的那几个字了吗，岂不是识别率更低 要这样还不如不训练呢，对于这一点网上的所有帖子都没做一个明确的说明 很扯淡。通过下面的初始化方式就能你自己的库+官方字库一起使用，normal是你上面训练出的字库的名称，本人亲测有效。

using (var ocr = new TesseractEngine(System.IO.Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "tessdata"), "normal+eng", EngineMode.Default))

最后在生产实测中遇到了不少坎坷 憋出了一身汗，好歹还是解决了，事实证明幸好没用office的OCR识别 要不然真挂了 黑盒特性太严重了。这个虽然也很一般但是好歹还是有些可自定义化的参数选项 有实际测量值的结果供你筛选 。打个比方比如加一个自定义逻辑 识别对象的宽高小于多少 我们认为它是一个噪点 把它忽略。还有在最后的测试中为了让容错率大点避免识别失败 把模板字库的每个字弄得很胖 结果经常出现识别错误比如3识别成9， 最后实践的经验证明取一个“合体”的字模可以让识别率提高 。

几经调校 加入了更精细化的识别过程控制 还是基本能够满足生产环境需求。

以此经验分享给盆友们愿大家少走一些弯路。