提高 Tesseract-OCR 识别精度的方法1.0 Tesseract-OCR简介OCR(Optical Character Recognition 光学字符识别) 技术,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的 OCR引擎最先由 HP实验室于 1985 年开始研发,至 1995 年时已经成为 OCR业内最准确的三款识别引擎之一。然而,HP不久便决定放弃OCR业务, Tesseract也从此尘封。数年以后,HP意识到,与其将 Tesseract束之高阁,不如贡献给开源软件业,让其重焕新生-- 2005 年, Tesseract由美国内华达州信息技术研究所获得,并求诸于 Google 对 Tesseract进行改进、消除 Bug、优化工作。Tesseract目前已作为开源项目发布在Google Project,其最新版本 3.0 已经支持中文 OCR。1.1 Tesseract-OCR的安装及使用说明1. Tesseract-OCR的安装过程下载 tesseract-ocr-setup-3.02.02.exe 进行安装(1) click next (2) 选中 I accept the terms of License Agreement,点击 next (3)点击 next (4)修改路径d:\Program Files\Tesseract-OCR,点击 next (5) 点击 next (6)点击 Install (7)点击 next (8)点击 finish 2.Tesseract-OCR使用(1)为了进行中文 OCR,将简体中文语言包 (chi_sim.traineddata)复制到【tessdata】目录下(2)在 DOS下切换到 Tesseract 的命令行目录,查看下 tesseract.exe的命令格式tesseract imagename 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1.2 提高 Tesseract-OCR识别精度的方法Tesseract-ocr原先只是为英语文本而设计的, 后来经过努力可以实现其他语言。但是在一些大语种语言中进展缓慢,如汉语。由之前的测试可知其对中文的识别率不高。 在此我们利用 Tesserac-ocr 3.02训练生成新的识别语言库,我们找到两种Tesseract-ocr的训练方法: A.使用 jTessBoxEditor工具B.使用CowBoxer工具。为了能够修改中文我们选择B. 具体过程如下:(1) 下载 cowboxer1.02.exe,notepad++ 直接就可使用cowboxer1.02.exe 的使用方法,打开cowboxer1.02.exe ,点击Help-> About F1 。可以看到相关的使用方法。(2) 获取样本图像,并生成tif 图像convert imagename [lang].[fontname].exp[num].tif ...