tesseract-ocrtips-创新互联
【基本用法】
创新互联服务项目包括洛江网站建设、洛江网站制作、洛江网页制作以及洛江网络营销策划等。多年来,我们专注于互联网行业,利用自身积累的技术优势、行业经验、深度合作伙伴关系等,向广大中小型企业、政府机构等提供互联网行业的解决方案,洛江网站推广取得了明显的社会效益与经济效益。目前,我们服务的客户以成都为中心已经辐射到洛江省份的部分城市,未来相信会继续扩大服务区域并继续获得客户的支持与信任!1、tesseract 基本语法:
Usage:tesseract.exe p_w_picpathname outputbase [-l lang] [-psm pagesegmode] [configfile...] pagesegmode values are: 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 p_w_picpath as a single text line. 8 = Treat the p_w_picpath as a single word. 9 = Treat the p_w_picpath as a single word in a circle. 10 = Treat the p_w_picpath as a single character. -l lang and/or -psm pagesegmode must occur before anyconfigfile. Single options: -v --version: version info --list-langs: list available languages for tesseract engine tesseract p_w_picpathname outputbase [-l lang] [-psm pagesegmode] [configfile...] tesseract 图片名 输出文件名 -l 字库文件 -psm pagesegmode 配置文件
2、示例:
(1)、
tesseract code.jpg code -l chi_sim -psm 7 digits code 生成code.txt的结果文件 -l chi_sim 表示用简体中文字库 -psm 7 表示告诉tesseract code.jpg图片是一行文本,默认为 3 configfile 参数值为tessdata\configs 和 tessdata\tessconfigs 目录下的文件名 digits 内容为 tessedit_char_whitelist 0123456789-. 表示数字
(2)、白名单
tesseract code.jpg code -l eng -psm 7 -c tessedit_char_whitelist="ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789"
(2)、黑名单
tesseract code.jpg code -l eng -psm 7 -c tessedit_char_blacklist="abcdefghijklmnopqrstuvwxy"
【训练】(以训练arial字体为例)
1、准备一张字体图片如下。
2、用 jTessBoxEditor 将图片转为tif文件,将tif文件命名为 eng.arial.exp0.tif。注意这里其实可以选多张图片。
Tools -> Merge TIFF...
3、生成坐标文件(.box)。
tesseract.exe eng.arial.exp0.tif eng.arial.exp0 batch.nochop makebox
【语法】:tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox
lang为语言名称,fontname为字体名称,num为序号;在tesseract中,一定要注意格式。
4、在当前目录创建 font_properties 文件,内容如下。
eng.arial.exp0.box 1 1 1 0 0
【语法】:
fontname为字体名称,italic为斜体,bold为黑体字,fixed为默认字体,serif为衬线字体,fraktur德文黑字体,1和0代表有和无,精细区分时可使用。
5、字符校正。
打开jTessBoxEditor,BOX Editor -> Open,打开 eng.arial.exp0.tif,注意多页时页面切换。
6、执行批处理文件(arial.bat),生成.traineddata文件。
echo Run Tesseract for Training.. tesseract eng.arial.exp0.tif eng.arial.exp0 nobatch box.train echo Compute the Character Set.. unicharset_extractor eng.arial.exp0.box mftraining -F font_properties -U unicharset -O arial.unicharset eng.arial.exp0.tr echo Clustering.. cntraining eng.arial.exp0.tr echo Rename Files.. rename normproto arial.normproto rename inttemp arial.inttemp rename pffmtable arial.pffmtable rename shapetable arial.shapetable echo Create Tessdata.. combine_tessdata arial. echo. & pause
7、将生成文件中的arial.traineddata 文件拷贝到相应tessdata目录就可以使用啦!
tesseract code.jpg code -l arial
【参考文献】
1、啥都不懂也能识别验证码
2、Tesseract-OCR的简单使用与训练
3、Adding New Fonts to Tesseract 3 OCR Engine
4、Python做简单的验证码识别(ocr)
*** walker ***
另外有需要云服务器可以了解下创新互联scvps.cn,海内外云服务器15元起步,三天无理由+7*72小时售后在线,公司持有idc许可证,提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案,具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势,专为企业上云打造定制,能够满足用户丰富、多元化的应用场景需求。
当前标题:tesseract-ocrtips-创新互联
网页链接:http://myzitong.com/article/ceeeic.html