提高Tesseract-ocr识别精度VIP免费

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 ...