关于tesseract-ocr3的训练和使用
众所周知，这是一个出色的字符识别软件。这个开源项目可以在http://code.google.com/p/tesseract-ocr/downloads/list下载。
在使用时，建议使用3而不要使用2，因为一些原因，2虽然可以直接用在工程，但是由于一些显而易见的BUG和其他原因，多导致程序无法运行甚至崩溃。所以建议使用命令行版本的3 。
除了下载tesseract安装程序以外，还可以在下载页面下载一些语言库，当然，也可以在安装过程中选择一些语言库来进行安装。
一、训练
在很多时候，默认的字库等完全可以高准确度的识别，但是有些时候我们需要训练自己的库来使用。训练步骤如下：
注：
A、均以DOS命令为例，即将每步下面的命令保存为.BAT运行，或运行CMD进入tesseract所在目录运行
B、注意保证文件名的一致性（此处均为DDT）
0、复制training目录下的全部文件到tesseract3所在目录
copy .\training\*.exe .\
1、标记边框
tesseract ddt.tif ddt -l eng digits batch.nochop makebox
解释一下
ddt.tif为要识别的文件，支持jpg,gif,tiff等格式，建议用tif
ddt 为要保存的文件名（自动添加扩展名.box）
-l eng 使用的库，这个参数可以让我们选择用哪个字库来标记边框
后面的都是配置文件了，也就是tesseract的其他参数被以文件形式加载，而不是直接输入参数
digits指定了只识别0-9的数字（当然你可以编辑它，使它包含更多的字符），当你不需要指定时，一定要去掉这个参数，但使用这种字符集限定，可以最大程度上减少被错误识别搞的你编辑ddt.box头昏脑胀的几率。
注：
这一步非常关键，但也经常出现问题，即使你在http://code.google.com/p/bbtesseract/downloads/list下载了bbtesseract也是如此，所以我感觉应该自己编一个边框识别，但没有时间做。完全可以将命令写入到软件里，实现图形化。所以，注意编辑你生成的ddt.box文件，保证字符都被识别且边框正确。
这里也有一个小技巧，例如我做过这样一个tif：1.2-34567089，在这一步的时候，只识别了2-9这一部分，于是我修改tif为：001.2-34567089，就全部识别了。也许可以给你一些启示。
2、形成语言库
tesseract ddt.tif ddt -l eng digits nobatch box.train
unicharset_extractor ddt.box
rename unicharset ddt.unicharset
mftraining -U unicharset -O ddt.unicharset ddt.tr
rename inttemp ddt.inttemp
rename pffmtable ddt.pffmtable
rename Microfeat ddt.Microfeat
cntraining ddt.tr
rename normproto ddt.normproto
combine_tessdata ddt.
这里面包含了若干步骤，但其他人扒的“教程”已经啰嗦很多了，不再啰嗦。
注：那几个rename是必要的，因为生成的文件只有扩展名。只要注意了这些，就没问题了。
3、测试语言库
copy ddt.traineddata .\tessdata\ddt.traineddata
tesseract ddt.tif ddt -l ddt
notepad ddt.txt
如果测试失败了，你应该检查：
A、是否tif宽度太小，如果是，我建议你在下面增加一行，就是说把1行改成2行，增加什么呢，随意增加一些你字库里面的字符，但最好和图像一样宽。
B、如果还没正确识别，回头仔细检查你的ddt.box
如果你失败了，记得清理前面生成的文件，可以使用一下命令：
copy ddt.tif tmp.tif
del ddt.* /f /s
copy tmp.tif ddt.tif
del tmp.tif
然后从第一步重新来过。
二、使用
使用时，只需要注意，对于单行并且字符数较少的图像，如果不识别，最好是在下面添加一行无用行，并保证该行基本达到图像宽。
注：
在使用时，可能会发生找不到字库的情况（尤其当你卸载后重装tesseract时），此时，应修改
HKEY_CURRENT_USER\Environment\TESSDATA_PREFIX的值为你的tesseract所在目录。
三、示例
最后给出一个tesseract3在VB.NET下使用的示例代码。
代码
Dim path As String = My.Application.Info.DirectoryPath & "\tesseract3\"
Sub New()
My.Computer.Registry.CurrentUser.OpenSubKey("Environment", True).SetValue("TESSDATA_PREFIX", path)
End Sub
Public Function Tess3OCR(ByVal Rect As Rectangle, ByVal clr As Integer) As String
'建立图像，注意屏幕复制时使用SourceCopy以符合OCR要求的图像格式，否则出错或直接关闭
Dim bmp As Bitmap = New Bitmap(Rect.Width, Rect.Height * 2)
Dim gr As Graphics = Graphics.FromImage(bmp)
gr.Clear(Color.White)
gr.CopyFromScreen(Rect.Location, Point.Empty, Rect.Size, CopyPixelOperation.SourceCopy)
'校正为白纸黑字
For y As Integer = 0 To bmp.Height - 1
For x As Integer = 0 To bmp.Width - 1
If bmp.GetPixel(x, y).ToArgb = clr Then bmp.SetPixel(x, y, Color.Black) Else bmp.SetPixel(x, y, Color.White)
Next
Next
Dim str As String = IIf(clr = AngleColor, "45.000000", "0.000000")
gr.DrawString(str, New Font("Arial Black", 14), Brushes.Black, 0, Rect.Height)
bmp.Save(path & "tmp.tif", System.Drawing.Imaging.ImageFormat.Tiff)
Shell(path & "tesseract " & path & "tmp.tif " & path & "tmp -l ddt digits", AppWinStyle.Hide, True)
My.Computer.FileSystem.DeleteFile(path & "tmp.tif")
Dim ret As String = My.Computer.FileSystem.ReadAllText(path & "tmp.txt").Split(vbCrLf)(0)
My.Computer.FileSystem.DeleteFile(path & "tmp.txt")
Return ret
End Function
End Class
在代码的new函数中，我修改了注册表，以防止出错，更好的做法应该是在这之前记录原始值并在类销毁时恢复。之后，指出了屏幕复制时可能存在的一些问题，当然，如果你是取验证码啥的，那就不用关心这些了。然后对图像进行了简单的校正，需要注意的是，必须校正为白底黑字才行，否则不识别。而后，我在下面添加了一行无用的文字，并在返回值时进行了适当处理。再有一点需要注意的是，shell函数的最后一个参数，指出了等待调用进程结束，如果你要在vb6当中使用，这里就需要用api来实现等待——而不要用sleep等定时等待函数，那将会使得你的程序不够健壮。
