Tesseract OCR 安装使用 + 字库训练

简介

OCR(Optical Character Recognition)：光学字符识别，是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。  
Tesseract：开源的OCR识别引擎，初期Tesseract引擎由HP实验室研发，后来贡献给了开源软件业，后由Google进行改进、修改bug、优化，重新发布。

 

声明

本文仅适用于Tesseract-OCR5.0的环境；字库训练包含传统字库训练和LSTM训练。

 

下载与安装

1、Tesseract-OCR的Windows版本下载地址：https://tesseract-ocr.github.io/tessdoc/Downloads.html，选择 UBMannheim 5.0.0.Alpha安装，我用的版本是tesseract-ocr-w64-setup-v5.2.0-alpha.20220712.exe。

注意：安装完成之后，需要把安装目录（通常是：C:\Program Files\Tesseract-OCR）加入Path环境变量之中，以方便后面执行命令行工具。

注意：Tesseract-OCR4.0安装之后，需要设置TESSDATA_PREFIX环境变量，指向C:\Program Files (x86)\Tesseract-OCR\tessdata；Tesseract-OCR5.0，64位版本则不需要此操作。

2、各版本对应字库下载地址：https://github.com/tesseract-ocr/tessdata_best，要识别简体中文需要下载chi_sim.traindata字库。

注意：一定要用从上述链接中下载.traineddata文件；如果从原有tesseract-OCR中的.traineddata文件提取.lstm文件，会造成无法进行训练。我这里下载的是eng.traineddata，因为我不用它来识别中文。

3、下载工具jTessBoxEditor，地址：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/，将之解压缩到C盘某个目录，这个工具是用来训练样本用的。

注意：该工具是用JAVA开发的，需要安装Jre环境，jdk-8u201-windows-x64.exe地址：https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html。

注意：带FX的版本才支持中文。

 

初步测试

假定工作目录为：C:\Users\60939\Desktop\testlang，在此目录里面有一张测试图片：1.png；假定Tesseract-OCR安装目录为：C:\Program Files\Tesseract-OCR，已经将此目录加入到Path环境变量中。

打开命令行工具（我是以管理员身份打开的，没试过其它方式），切换到工作目录，执行：tesseract 1.png result -l eng ，识别结果在工作目录下的result.txt。

注意：-l 参数表明用何种语言包；如果是eng，则可以省略;如果使用多种语言"+"连接 ，

例：tesseract 1.png result -l eng+chi_sim

 

传统训练

步骤一、首先，准备足够多的训练图片

将这些图片存放到工作目录\orgin子目录，本文全部为PNG格式的图片。

步骤二，通过jTessBoxEditor，把这些图片转换为TIF格式

打开jTessBoxEditor解压缩目录，双击执行jTessBoxEditorFX.jar或者train.bat；窗口打开之后，单击：Tools->Merge Tiff ，按住Shift键选择_工作目录\orgin_下面需要训练的图片，并把合并生成的TIF文件放到工作目录中，重新命名。我这里命名为：smecs.font.exp3.tif，保存完之后，原先的PNG图片已经无效，可以删除。

tif文件命名格式：[lang].[fontname].exp[num].tif  
tif命名规则：lang为语言名称，fontname为字体名称，num为图片序号；

步骤三、生成box文件（命令行+工具 自由选择）

通过命令行生成box：

切换到工作目录下执行：tesseract smecs.font.exp3.tif smecs.font.exp3 -l eng batch.nochop makebox 生成box文件

Make Box File的命令格式：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox

其中lang为语言名称，fontname为字体名称，num为序号，可以随便定义。

注意：tif文件名必须与box文件名保持一致，且位于同一个目录。这么理解吧：TIF文件用来保存图像（可以保存多张图片，用Page来分页）；BOX文件用来保存图像中文字的位置信息（每个字符的X、Y坐标，宽度、高度）。

 

通过jTessBoxEditor生成box文件：

 

①选择Tesseract.exe执行程序

②tif图片文件所在的文件夹路径

③必填，制作新字库的name，制作box不适用该项

④制作box时指定的字库去识别；如果想用中文库就填写chi_sim

⑤制作传统box文件选择此项

⑥执行生成box（生成box同图片文件在相同目录）

 

步骤四、文字校正（逐一字符修正）

运行jTessBoxEditor工具（如果已经打开，切换过去），点击Box Editor->Open，打开smecs.font.exp3.tif文件，需要对每张图片中识别错误的字符进行校正。

窗口下方有翻页按钮；通过工具栏右上角的微调按钮，修正每个字符的X、Y坐标，宽度、高度。不需要的点（Delete），增加有用的点（Split、Insert）。

校正完成，保存即可，建议每页修改完毕都按一次保存按钮，避免意外。至此，jTessBoxEditorg工具的使命完成。

 

步骤五、利用.tif和.box文件生成训练字库

 

①选择Tesseract.exe执行程序

②tif图片文件所在的文件夹路径

③必填，制作新字库的name，制作box不适用该项

④制作box时指定的字库去识别；如果想用中文库就填写chi_sim

⑤训练字库时选择此项

⑥执行生成新字库（生成字库文件在工作目录下的tessdata子目录中）

 

将生成的字库复制到Tesseract-ocr安装路径的\tessdata字库目录下，然后就可以使用该字库

 

LSTM训练

步骤一、首先，准备足够多的训练图片

将这些图片存放到_工作目录\orgin_子目录，本文全部为PNG格式的图片。

步骤二、通过jTessBoxEditor，将这些TIF合并成一个文件

打开jTessBoxEditor解压缩目录，双击执行jTessBoxEditorFX.jar或者train.bat；窗口打开之后，单击：Tools->Merge Tiff ，按住Shift键选择_工作目录\orgin_下面需要训练的图片，并把合并生成的TIF文件放到工作目录中，重新命名。我这里命名为：smecs.font.exp5.tif，保存完之后，原先的PNG图片已经无效，可以删除。

tif文件命名格式：[lang].[fontname].exp[num].tif  
tif命名规则：lang为语言名称，fontname为字体名称，num为图片序号；

步骤三、生成box文件

通过命令行生成box：

切换到工作目录下执行：tesseract smecs.font.exp5.tif smecs.font.exp5 -l eng lstmbox 生成box文件

Make Box File的命令格式：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox

其中lang为语言名称，fontname为字体名称，num为序号，可以随便定义。

注意：tif文件名必须与box文件名保持一致，且位于同一个目录。这么理解吧：TIF文件用来保存图像（可以保存多张图片，用Page来分页）；BOX文件用来保存图像中文字的位置信息（每个字符的X、Y坐标，宽度、高度）。

 

通过工具生成box：

 

①选择Tesseract.exe执行程序

②tif图片文件所在的文件夹路径

③必填，制作新字库的name，制作box不适用该项

④制作box时指定的字库去识别；如果想用中文库就填写chi_sim

⑤制作LSTM Box文件时选择此项

⑥执行生成新字库（生成字库文件在工作目录下的tessdata子目录中）

 

步骤四、文字校正（逐行字符修正）

运行jTessBoxEditor工具（如果已经打开，切换过去），点击Box Editor->Open，打开smecs.font.exp3.tif文件，需要对每张图片中识别错误的字符进行校正。

窗口下方有翻页按钮；通过工具栏右上角的微调按钮，修正每个字符的X、Y坐标，宽度、高度。不需要的点（Delete），增加有用的点（Split、Insert）。

校正完成，保存即可，建议每页修改完毕都按一次保存按钮，避免意外。至此，jTessBoxEditorg工具的使命完成。

注意：lstm训练模式下，box只接受一整行的数据，而不是把一整行数据拆成一个个的框。所以只需要将属于一行的数据，它们的box坐标框的范围从单个文字改成一整行，并且还需要用一个\t结尾。

 

步骤五、利用.tif和.box文件生成.lstmf文件用于lstm训练

切换至工作目录，命令行工具执行：tesseract smecs.font.exp5.tif smecs.font.exp5 -l eng --psm 6 lstm.train

参数含义：

smecs.font.exp5.tif 上一步生成的.tif 格式的文件

smecs.font.exp5 指明要生成的.lstmf文件的名称

-l eng 表示用到的语言，我这里训练的是英语，故省略

--psm 6 表示采用的分割模式

运行后工作目录会多出一个smecs.font.exp5.lstmf文件

页面分割方法

默认情况下，Tesseract 在分割图像时需要一页文本。如果您只是想对一个小区域进行 OCR，请使用--psm参数尝试不同的分割模式。请注意，为剪裁过紧的文本添加白色边框也可能会有所帮。

要查看支持的页面分段模式的完整列表，请使用tesseract -h：

0    Orientation and script detection (OSD) only.

1    Automatic page segmentation with OSD.

2    Automatic page segmentation, but no OSD, or OCR.

3    Fully automatic page segmentation, but no OSD. (Default)

4    Assume a single column of text of variable sizes.

5    Assume a single uniform block of vertically aligned text.

6    Assume a single uniform block of text.

7    Treat the image as a single text line.

8    Treat the image as a single word.

9    Treat the image as a single word in a circle.

10    Treat the image as a single character.

11    Sparse text. Find as much text as possible in no particular order.

12    Sparse text with OSD.

13    Raw line. Treat the image as a single text line,

bypassing hacks that are Tesseract-specific.

 

步骤六、从已有的.traineddata中提取.lstm文件

将下载好的.traineddata文件拷贝到工作目录（为什么用下载的，而不用Tesseract-OCR自带的，原因参考前面），我这里是eng.traineddata，命令行工具执行：combine_tessdata -e eng.traineddata eng.lstm

注意：如果需要其他语言包，请自行下载。

 

步骤七、创建smecs5.training_files.txt文件，里边的内容为.lstmf文件的路径地址

我这里是：C:\Users\60939\Desktop\testlang\smecs.font.exp5.lstmf

 

步骤八、进行训练

在工作目录创建output子目录

命令行工具执行：lstmtraining --model_output="C:\Users\60939\Desktop\testlang\output\output" --continue_from="C:\Users\60939\Desktop\testlang\eng.lstm" --train_listfile="C:\Users\60939\Desktop\testlang\smecs5.training_files.txt" --traineddata="C:\Users\60939\Desktop\testlang\eng.traineddata" --debug_interval -1 --max_iterations 800

参数含义：

--model_output 模型训练输出的路径

--continue_from 训练从哪里继续，这里指定从上面提取的 eng.lstm文件，

--train_listfile 指定上一步创建的文件的路径

--traineddata 指定.traineddata文件的路径

--debug_interval 当值为-1时，训练结束，会显示训练的一些结果参数

--max_iterations 指明训练遍历次数

此时命令窗口中会有滚动的训练历程，这一步操作比较耗费时间。训练结束后，在output文件夹中会生成i一个output_checkpoint文件和多个类似output0.012_3.checkpoint的.checkpoint文件。

 

步骤九、将checkpoint文件和.traineddata文件合并成新的.traineddata文件

在工作目录，命令行工具执行：

lstmtraining --stop_training --continue_from="C:\Users\60939\Desktop\testlang\output\output_checkpoint" --traineddata="C:\Users\60939\Desktop\testlang\eng.traineddata" --model_output="C:\Users\60939\Desktop\testlang\output\smecs.traineddata"

参数含义：

--stop_training 默认要有的

--continue_from 上一步生成的output_checkpoint文件路径

--traineddata 第4步中下载的.traineddata文件的路径

--model_output zth.traineddata 输出的路径

然后，将新生成的smecs.traineddata文件拷贝到tesseract-OCR\tessdata文件夹下，通过代码进行识别。

 

进一步测试

在工作目录，命令行工具执行：

tesseract 1.png lstmresult1 -l smecs

注意：语言包，必须选择刚刚创建的smecs。打开工作目录下的lstmresult1 .txt，使用训练后的辛苦得到识别结果。