Tesseract-ocr视觉学习-验证码识别及python import pytesseract使用
Tesseract-OCR的简单使用与训练
最近看到某个网站提交数据要提交验证码，用tesseract自带的识别，
识别出来是什么鬼，0-9识别成了什么玩意！
so决定自己训练下tesseract...
1.准备工作（安装工具环境）
1.下载安装tesseract-ocr-setup-3.02.02.exe安装包 http://www.pc0359.cn/downinfo/55218.html
2.安装jTessBoxEditor
下载jTessBoxEditor，地址https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/；解压后得到jTessBoxEditor，由于这是由Java开发的，所以我们应该确保在运行jTessBoxEditor前先安装JRE（Java Runtime Environment，Java运行环境）。
3.安装Java环境：http://mydown.yesky.com/pcsoft/33490441.html
2.准备训练图片，可以多张图片，我们可以用画图工具绘制样本文件，数量越多越好
准备图片如下
3.Merge样本文件
打开jTessBoxEditor，ctrl+m 选择所有样本图片，并将合并文件保存为 bm.font.exp0.tif
4.生成BOX文件
打开命令行并切换至bm.font.exp0.tif所在目录，
输入如下命令，生成文件名为bm.font.exp0.box
1 | tesseract bm.font.exp0.tif bm.font.exp0 batch.nochop makebox |
此时文件夹下会多出一个bm.font.exp0.box文件
5.定义字符配置文件
在目标文件夹内生成一个名为font_properties的文本文件，内容为
1 | font 0 0 0 0 0 |
【语法】：<fontname> <italic> <bold> <fixed> <serif> <fraktur>
fontname为字体名称，italic为斜体，bold为黑体字，fixed为默认字体，serif为衬线字体，fraktur德文黑字体，1和0代表有和无，精细区分时可使用，如果是txt文件记得把.txt后缀去掉。
6.字符矫正
打开jTessBoxEditor，BOX Editor -> Open，打开bm.font.exp0.tif；
7.生成字符特征文件
1 | tesseract.exe bm.font.exp0.tif bm.font.exp0 nobatch box.train |
这一步将生成两个文件，bm.font.exp0.tr（特征文件）和bm.font.exp0.txt文件
8.计算字符集（unicharset）
1 | unicharset_extractor.exe bm.font.exp0.box |
这一步产生字符集文件unicharset
9.聚集字符特征（inttemp、pffmtable、normproto）
1 | mftraining -F font_properties -U unicharset -O bm.unicharset bm.font.exp0.tr |
根据上一步产生的字符集文件unicharset，来生成当前新语言的字符集文件mfunicharset。同时还会产生图形原型文件inttemp和每个字符所对应的字符特征数文件pffmtable。附带还会产生Microfeat文件，但是这个文件没啥用。
10.接下来产生字符形状正常化特征文件normproto
1 | cntraining.exe bm.font.exp0.tr |
11.重命名打包文件
将如下四个文件加上bm.前缀 normproto bm.normproto inttemp bm.inttemp pffmtable bm.pffmtable shapetable bm.shapetable
12.合并训练文件（*.traineddata)
1 | combine_tessdata.exe bm. |
生成bm.traineddata文件，
将这个文件复制到Tesseract-OCR\tessdata文件夹下然后用训练过的字库在识别下
1 | tesseract beiming.png output_2 -l bm |
识别完全正确，细心的人会发现，最后一句指令，我们使用了指令[-l bm]而不是[-l eng]。这说明，最后一次转换我们使用的是新生成的bm语言的匹配库而不是默认的eng语言匹配库
python pytesseract使用
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | import pytesseractfrom PIL import Image# pytesseract.pytesseract.tesseract_cmd='D:\Program Files\python\Tesseract-OCR\\tesseract.exe'def getyzm(): image1 = Image.open('yzm.jpg') w,h = image1.size #创建新图片 image2 = Image.new("RGB",(w+10,h+6),(255,255,255)) #两张图片相加： 我这里的图片不是标准的图片格式所以需要盖在新图片上 image2.paste(image1,(5,3)) # image2.save("yzm.png") result = pytesseract.image_to_string(image2,lang="num") return resultprint(getyzm()) |
