python使用tesseract的一次训练经历及源码

第一次用tesseract，最初目的是想写个辅助工具玩微信小程序《某某大师》按照网上找的步骤做了一次训练，把遇到的问题写一下，操作过程写一下。参考的文章链接如下：

https://www.cnblogs.com/cnlian/p/5765871.html

环境安装：python3安装PIL，pytesseract

                安装tesseract-ocr（我装的是3.0.2版本）

                jTessBoxEditor.jar

不做训练，直接识别，5张待识别的图片如下：

python代码如下：

from PIL import Image
import pytesseract


path = "C:\\Users\\ZH\\Desktop\\dddd\\"
path2 = ".png"
i = 1
while i < 6:
    text = pytesseract.image_to_string(Image.open(path+str(i)+path2), lang="eng", config="-psm 7")
    print(text)
    i = i + 1

识别结果如下：

/A
/2
;»15
/1
/9

Process finished with exit code 0

识别率很低。准备图片样本进行训练，我用代码生成了401张图片（部分图片如下）：

使用jTessBoxEditor进行合成，把图片全部合成为一个tiff文件，然后运行cmd，打开控制台，进入合成的tiff文件夹，运行命令

tesseract num.font.exp0.tif num.font.exp0 -psm 7 batch.nochop makebox

注意红色字体的参数，如果不加这个参数，则会报Empty page  这个错误。加上这个参数，生成box文件的时候tesseract就会把图片当作单行文本进行处理。贴两张图看下：

不加参数生成box文件：

加了参数之后生成box文件：

然后再用jTessBoxEditor打开tiff文件，修改识别错误的字符，如下图：

修改完之后，进入tiff文件所在位置，添加字体文件，然后用cmd打开控制台进入tiff文件所在位置，执行命令批处理命令，生成所需文件。这一步在参考文章链接都有，可以按照参考文章来。文章末尾我会提供源码地址还有所需的文件地址，需要的人可以下载。

最后把生成的字符库文件放到  “你的安装路径\Tesseract-OCR\tessdata”路径下面，然后修改python代码里面的识别命令，修改字符库为我们训练出来的库文件。其中”lang=num“，num就是我训练的库文件的名字（太懒，直接按照参考文章的名字来的，起名字需要按照规则来）

from PIL import Image
import pytesseract


path = "C:\\Users\\ZH\\Desktop\\dddd\\"
path2 = ".png"
i = 1
while i < 6:
    text = pytesseract.image_to_string(Image.open(path+str(i)+path2), lang="num", config="-psm 7")
    print(text)
    i = i + 1

使用新库的识别结果如下图：

5张图的识别结果全部正确，识别率大幅度提升。

注意一下：

生成box文件的命令也是可以加参数的，因为第一次使用，不知道可以加参数，所以前几次训练生成box文件的时候总是报Empty page这个错误，导致生成的库文件不好用。如果有遇到这个问题的，可以试试加参数这个办法。

****资源地址（需要2个积分）：https://download.****.net/download/metamorpho/10504195

不着急需要资源的朋友也可以留下邮箱，我看到会发给你，但是我看自己文章的频率很低，所以发给你的时间可能有点晚。