第一步：安装需要用到的安装包

jdk-8u101-windows-x64

tesseract-ocr-setup-3.05.01

jTessBoxEditor-1.7.3

简体中文chi_sim

注意 tesseract需要编译器(安装包没提供)Supported Compilers are:

• GCC 4.8 and above

• Clang 3.4 and above

• MSVC 2015, 2017

安装略…

第二步：tesseract-OCR初认识

-l lang

使用的语言。如果没有指定，则采用英文。可以指定多种语言，由加号字符分隔。Tesseract使用3个字符的ISO 639-2语言代码。（请参阅语言）

–psm N

将Tesseract设置为只运行布局分析的一个子集并假定某种形式的图像。N的选项是：

• 0 =只有方向和脚本检测（ OSD ）。

• 1 =使用OSD自动分页。

• 2 =自动分页，但没有OSD或OCR。

• 3 =全自动页面分割，但没有OSD。（默认）

• 4 =假设一列可变大小的文本。

• 5 =假设一个统一的垂直排列文本块。

• 6 =假设一个统一的文本块。

• 7 =将图像作为单个文本行处理。

• 8 =将图像视为一个单词。

• 9 =将图像视为一个圆圈中的单个单词。

• 10 =将图像视为单个字符。

基本的命令行用法：

tesseract imagename outputbase [-l lang ] [–oem ocrenginemode] [–psm pagesegmode] [configfiles…]

第三步：jTessBoxEditor训练字库

之前玩冲顶大会的时候用过tesseract-OCR识别中文，可惜准确率很不理想，如下图：

使用tesseract-OCR识别会得到

tesseract question. jpg result -l chi_sim –psm 6

result.txt

8.手木几生产商诺墓亚最子刀是L又生产{十么为主?

发现错了好多，机、基、初、以都没有识别出来，有的还识别成两个字。这个时候就需要我们来训练中文字库。

准备好要识别的图片question.jpg

第一步：

1、将图片转换成tif格式，用于后面生成box文件。可以通过画图，然后另存为tif即可。tif文面命名格式是有要求的：

lang 语言名(这可自定义，不要与现有的相同 eng、chi_sim等)

fontname 字体(就是字体名字，比如normal、italic、bold)

num 序号

把question.jpg用自带的画图另存为hojun.normal.exp0.jpg和hojun.normal.exp0.tif(注意，重命名改后缀不行)，放在E:TessBox下

接着打开cmd进入到该文件下，输入以下命令：

[lang].[fontname].exp[num].tif

会得到hojun.normal.exp0.box文件，右键使用记事本打开效果如下图

打开jTessBoxEditor目录，双击train.bat打开(可能要等待5-6秒，耐心等待程序响应)

打开软件后点击Box Editor->Open->选择对应的tif文件打开

得到如下效果

如果右边字体没有框框，左边没有内容是因为 java 8没安装好，或者安装了两个java版本，使用的是其他java版本

可以在控制台输入

来查看java版本。如果使用其他版本的，一般在环境变量Path里面把java8的路径写在最前面就行。

接下来就是调整了。删删改改如下：

然后点击save保存即可。

接着在E:TessBox下新建一个font_properties文件，注意没有后缀

里面内容写入normal 0 0 0 0 0 表示默认普通字体

再接着新建一个txt文件，里面内容写入

echo Run Tesseract for Training..

tesseract.exe hojun.normal.exp0.tif hojun.normal.exp0 nobatch box.train

echo Compute the Character Set..

unicharset_extractor.exe hojun.normal.exp0.box

shapeclustering -F font_properties -U unicharset hojun.normal.exp0.tr

mftraining -F font_properties -U unicharset -O unicharset hojun.normal.exp0.tr

echo Clustering..

cntraining.exe hojun.normal.exp0.tr

echoRename Files..

rename normproto hojun.normproto

rename inttemp hojun.inttemp

rename pffmtable hojun.pffmtable

rename shapetable hojun.shapetable

echo Create Tessdata..

combine_tessdata.exe hojun.

echo. & pause

保存，修改文件名为Train.bat。(为了偷懒，你也可以在命令里一句一句命令的敲)

双击批处理文件生成！

成功结果如下

把hojun.traineddata复制到C:Program Files (x86)Tesseract-OCRtessdata下

试着识别

tesseract hojun.normal.exp0.jpg result -l hojun –psm 6

得到正确的结果

---

参考:

训练Tesseract

Tesseract-OCR的简单使用与训练

Tesseract-OCR识别中文与训练字库实例

JAVA_HOME无效，java版本保持不变的问题解决