朱皮特的博客 自由的飞翔

tesseract初探

2010-05-18
朱皮特
阅读量:

http://code.google.com/p/tesseract-ocr/downloads/list

下载tesseract-2.04.tar.gz 和tesseract-2.04.exe.tar.gz ,分别解压。 其中前者是源代码,里面有两张图片phototest.tif和eurotext.tif, 后者是编译好的程序,可以直接使用的。

1。识别测试 选取phototest.tif进行识别,需要tessdata,下载tesseract-2.00.eng.tar.gz复制到tesseract-2.04.exe目录下 新建批处理:tesseract.exe phototest.tif output,并运行会输出文件output.txt, 据说文本内容的识别率是100%,不过我没有一一核实。

2。训练 假设图片样本为scan.tif(图片要二值化,就是非黑即白的,且tif文件不能是压缩的) 新建tessdata目录,可以将tesseract-2.00.eng.tar.gz解压的tessdata文件下的内容复制一份。 新建批处理:tesseract.exe scan.tif scan batch.nochop makebox,运行会输出文件scan.txt, 修改识别错误的文字,并改名为scan.box.

新建批处理: tesseract scan.tif junk nobatch box.train training\mftraining scan.tr training\cnTraining scan.tr training\unicharset_extractor scan.box

运行后会输出若干个文件,把它们复制到tessdata目录替换原来的文件即可。 生成出来的文件就是训练出来的数据,下次就可以用这些数据进行识别了。


上一篇 快捷方式拾遗

Comments

Content