Tesseract-OCR训练自己需要的语言

在正常使用Tesseract-OCR的默认eng去识别复杂的验证码失败率很高，这时候就需要自己训练出自己需要的语言来提高识别成功率。如何训练呢？

训练提高识别率

从jTessBoxEditor：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/，上下载jTessBoxEditor训练工具，训练工具是java写的，所以需要你电脑上有java环境变量（什么，如何装？妈耶，不会吧不会吧！不会有人不会装java环境变量吧！不会那个人就是你吧！百度呀，兄嘚）不多说了。
1、下载好jTessBoxEditor.zip之后解压如下。

2、双击运行jTessBoxEditor.jar，tools–>Merge TIFF

3、选择图片，选好后点击打开

4、然后名字命名为：num.font.exp0.tif，点击保存

5、点击确定，会发现多一个文件


6、将num.font.exp0.tif拷贝到C:\Program Files (x86)\Tesseract-OCR安装位置

7、打开cmd 运行tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox
生成的box文件为num.font.exp0.box，box文件为Tesseract识别出的字符及其坐标。
注：Make Box File 文件名有一定的格式，不能随便乱取名字，命令格式为：
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。

将生成的.box和.tif样本文件放在同一目录。我是放在Tesseract-OCR默认安装目录下。


8、运行jTessBoxEditor工具，点击Box Editor。然后点击open

9、选择之前生成的num.font.exp0.tif，点击打开。

10、有些字符识别的位置不准确，可以通过该工具手动对每张图片中识别错误的字符和位置进行校正。校正完成后保存即可。

注: 这里必须修改识别错误的字符，否则做出来的traineddata文件也是错的。可以在下面的界面中修改并保存，也可以直接在traineddata文件中修改。

Box View，可以让框中的位置更精确，x,y,w,h四个来调整识别的位置。Insert插入按钮,Delete删除某个按钮。
最下面是下一张图，上一张图。具体的点点就知道了。
11、定义字体特征文件。创建一个名称为font_properties的字体特征文件
font 0 0 0 0 0
这里全取值为0，表示字体不是粗体、斜体等等。

12、生成语言文件。在样本图片所在目录下创建一个批处理文件，输入如下内容:
内容如下

rem 执行改批处理前先要目录下创建font_properties文件


echo Run Tesseract for Training..
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train


echo Compute the Character Set..
unicharset_extractor.exe num.font.exp0.box
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr


echo Clustering..
cntraining.exe num.font.exp0.tr


echo Rename Files..
rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable
echo Create Tessdata..
combine_tessdata.exe num.

执行批处理脚本。双击运行num.bat

把num.traineddata移动到 C:\Program Files (x86)\Tesseract-OCR\tessdata目录下

到这里你训练的语言就可以用了

使用效果

将代码中的语言换成你自己训练的语言

没训练之前的样子


训练之后的效果

到这训练好了，剩下的可以开发了。