tesseract 安装与训练(图像识别)
代码托管:https://github.com/tesseract-ocr/tesseract
环境:win10
安装版本:tesseract-ocr-setup-3.02.02.exe
基本使用命令:
tesseract number.jpg result -l eng -psm 7
训练
下载使用JtessBoxEditor,该工具需要安装java vm运行。
1.合并图像
将需要识别的图片转换为tif格式,合并到一起。
点击tools——》merage tiff——》选中所有图片保存为LAN.new.exp0.tif
tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num]
3.文字纠正(tiff,box需要在同一目录)
用jtessboxeditor加载box文件,在box editor——》box coordinates里修改文件.最后保存box文件.
1、tesseract image.MyFont.exp0.tif image.MyFont.exp0 -l chi_sim batch.nochop makebox
该步骤会生成一个image.MyFont.exp0.box文件
把tif文件和box文件放在同一目录,用jTessBoxEditor.jar打开tif文件,然后根据实际情况修改box文件
2、tesseract image.MyFont.exp0.tif image.MyFont.exp0 nobatch box.train
该步骤生成一个image.MyFont.exp0.tr文件
3、unicharset_extractor image.MyFont.exp0.box
该步骤生成一个unicharset文件
4、新建一个font_properties文件
里面内容写入MyFont 0 0 0 0 0 表示默认普通字体
5、运行命令
shapeclustering -F font_properties -U unicharset image.MyFont.exp0.tr
mftraining -F font_properties -U unicharset -O image.unicharset image.MyFont.exp0.tr
cntraining image.MyFont.exp0.tr
6、把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上image.
7、执行combine_tessdata image.
然后把image.traineddata放到tessdata目录
8、用新的字库对图片进行分析
tesseract test.tif output -l image
批处理
echo 执行改批处理前先要目录下创建font_properties文件 echo Run Tesseract for Training.. echo 该步骤生成一个image.MyFont.exp0.tr文件 tesseract image.MyFont.exp0.tif image.MyFont.exp0 nobatch box.train echo 该步骤生成一个unicharset文件 unicharset_extractor.exe num.font.exp0.box rem 新建一个font_properties文件 echo MyFont 0 0 0 0 0 > font_properties shapeclustering -F font_properties -U unicharset image.MyFont.exp0.tr mftraining -F font_properties -U unicharset -O image.unicharset image.MyFont.exp0.tr echo Clustering.. cntraining.exe image.MyFont.exp0.tr echo 重命名文件 rename normproto image.normproto rename inttemp image.inttemp rename pffmtable image.pffmtable rename shapetable image.shapetable echo 合并文件 Tessdata.. combine_tessdata.exe num.
# -*- coding:utf-8 -*- import pytesseract from PIL import Image import requests import os # 验证码识别 # 下载验证码 @输入下载数量 def code_down(num): imgurl = 'https/CImages' for i in range(num): data=requests.get(imgurl) name=str(i) download_img(data.content,name) def download_img(imgdata,name): with open('./code_img/'+name+'.jpg','wb') as f: f.write(imgdata) def code_ocr(num): for i in range(num): image=Image.open('./grey/'+"grey"+str(i)+'.jpg') code=pytesseract.image_to_string(image,config='-psm 7') print("index:%d code:%s"%(i,code)) def img_grey(num): for i in range(num): image=Image.open('./code_img/'+str(i)+'.jpg') grey=image.convert('L') grey.save("./grey/grey"+str(i)+'.jpg') # 图片批量下载 # code_down(100) # 图片识别 code_ocr(20) # 图片灰度处理 # img_grey(86)