tesseract、jTessBoxEditorFX训练数据实践

数据实践"/>

tesseract、jTessBoxEditorFX训练数据实践

网上很多文章都总结的很好，这里就不做重复，只是简单的将步骤梳理
文章后面会有一个实例，来说明数据训练步骤

字库训练

下载jTessBoxEditorFX
/

文件名必须是如下格式：

[lang].[fontname].exp[num]

lang:语言名(训练生成的示为语言)
fontname:字体名
num:序号(无所谓)
于是可以得到一个命名为 num.peng.exp1.tif 的文件

1、准备样本图片，合并为.tif文件
jTessBoxEditorFX -> tools->merge tiff

2、生成.bok文件

tesseract num.peng.exp1.tif num.peng.exp1 batch.nochop makebox

3、字符矫正
jTessBoxEditorFX -> Box Editor->Open，num.peng.exp1.tif，调整校正

生成训练数据

示例假设有3个文件，tif文件

1、创建font_properties文件
文件内容为 ：

<fontname> <italic> <bold> <fixed> <serif> <fraktur># eg:
echo peng 0 0 0 0 0 > font_properties

2、产生字符特征文件.tr

tesseract num.peng.exp1.tif num.peng.exp1 nobatch box.train
tesseract num.peng.exp2.tif num.peng.exp2 nobatch box.train
tesseract num.peng.exp3.tif num.peng.exp3 nobatch box.train

3、计算字符集文件 unicharset

unicharset_extractor num.peng.exp1.box num.peng.exp2.box num.peng.exp3.box

4、聚集字符特征 生成文件 shapetable

shapeclustering -F font_properties -U unicharset num.peng.exp1.tr num.peng.exp2.tr num.peng.exp3.trmftraining -F font_properties -U unicharset -O num.unicharset num.peng.exp1.tr num.peng.exp2.tr num.peng.exp3.trcntraining num.peng.exp1.tr num.peng.exp2.tr num.peng.exp3.tr

5、重命名

mv shapetable num.shapetable && \
mv normproto num.normproto && \
mv inttemp num.inttemp && \
mv pffmtable num.pffmtable

6、生成字库

combine_tessdata num.

参考
文字识别 OCR 训练样本
基于Tesseract的OCR识别
Tesseract-OCR-3.0.5 数字识别训练与合并多次训练数据
python tesseract 4.0 安装踩过的坑（基于macOS ）

综合示例

1、数据合成助手
假设只有一个tif文件 num.peng.exp1.tif

上面的步骤有点多，合成一个脚本便于使用
备注：需要设置好环境变量：TESSDATA_PREFIX

traindata.sh

#！/bin/bash# 所用到的变量
lang="num"
fontname="peng"
num="1"
name="${lang}.${fontname}.exp${num}"# 环境变量中需要设置好资源文件路径 TESSDATA_PREFIX 重启电脑生效if [ -e "${name}.tif" ]; thenecho "文件存在"
elseecho "文件不存在: ${name}.tif"exit 0
fi# 生成box
box=$1
if [[ ${box} == 'box' ]]; thenecho "生成box"tesseract "${name}.tif" ${name} batch.nochop makeboxexit 0
elseecho "生成训练数据"
fi# 1、创建font_properties文件
echo 'peng 0 0 0 0 0' > font_properties  && \# 2、产生字符特征文件.tr
tesseract "${name}.tif" ${name} nobatch box.train && \# 3、计算字符集文件 unicharset
unicharset_extractor "${name}.box" && \# 4. 聚集字符特征 生成文件 shapetable
shapeclustering -F font_properties -U unicharset "${name}.tr" && \mftraining -F font_properties -U unicharset -O "${lang}.unicharset" "${name}.tr" && \cntraining "${name}.tr" && \# 5、重命名
mv shapetable "${lang}.shapetable" && \
mv normproto "${lang}.normproto" && \
mv inttemp "${lang}.inttemp" && \
mv pffmtable "${lang}.pffmtable" && \# 6、生成字库
combine_tessdata "${lang}." && \# 拷贝字库
cp *.traineddata ${TESSDATA_PREFIX} && \echo "完成"

使用方式
将文件拷贝到样本数据目录下,以下是使用指令，后面步骤会用到

# 生成box文件
bash traindata.sh box# 生成traineddata文件
bash traindata.sh

2、数据准备
执行下面的python代码，在目录sample下生成10个样本

VerifyCode.py

# -*- coding: utf-8 -*-import random
import string
from PIL import Image, ImageFilter, ImageFont, ImageDrawclass VerifyCode(object):@classmethoddef get_char(cls):"""获取一个字母或数字"""return random.choice(string.ascii_letters + string.digits)@classmethoddef get_num(cls):"""获取一个字母或数字"""return random.choice(string.digits)@classmethoddef get_color1(cls):"""获取颜色值 3元组"""return (random.randint(64, 255),random.randint(64, 255),random.randint(64, 255))@classmethoddef get_color2(cls):return (random.randint(32, 127),random.randint(32, 127),random.randint(32, 127))@classmethoddef get_code(cls, num):lst = []for idx in range(num):lst.append(cls.get_char())return ''.join(lst)@classmethoddef get_num_code(cls, num):lst = []for idx in range(num):lst.append(cls.get_num())return ''.join(lst)@classmethoddef get_verifycode_image(cls, code, save_path):"""生成字母验证码图片@param n: {int} 字母数量@param save_path: {str} 保存路径@return: None"""# 图片尺寸width = 60 * len(code)height = 60image = Image.new("RGB", (width, height), (255, 255, 255))# 创建Font对象font = ImageFont.truetype('Arial.ttf', 36)# 创建Draw对象draw = ImageDraw.Draw(image)# 填充每个像素# for x in range(width):#     for y in range(height):#         draw.point((x, y), fill=cls.get_color1())# 输出文字for idx in range(len(code)):draw.text((60 * idx + 10, 10), code[idx], font=font, fill='black')# 模糊处理# image = image.filter(ImageFilter.BLUR)image.save(save_path, "jpeg", dpi=(300.0, 300.0))if __name__ == '__main__':for i in range(10):code = VerifyCode.get_num_code(4)VerifyCode.get_verifycode_image(code, f"sample/{code}.jpg")

3、数据训练

（1）第一次识别测试
直接使用tesseract 识别生成的数据

# -*- coding: utf-8 -*-
import glob
import osimport pytesseract
from PIL import Imagedef to_string(filename):name, ext = os.path.splitext(filename)code = name.split("/")[-1]img = Image.open(filename)img = img.convert("L")  # 转为黑白图ret = pytesseract.image_to_string(img)print(code, ret)lst = glob.glob("sample/*.jpg")
for file in lst:to_string(file)

第一次识别结果：
结果中有换行

实际内容 识别结果
3791 3791
7455 7455
7195 
8502 5502
1107 
9375 9375
3498 3493
0384 0354
6519 
4631 4631

（2）第二次识别测试

增加参数 --psm 6

ret = pytesseract.image_to_string(img, config='--psm 6')

实际内容 识别结果
3791 3791 
7455 7455
7195 7195
8502 5502  <-
1107 1107
9375 9375
3498 3493  <-
0384 0354  <-
6519 6519  
4631 4631

（3）第三次识别
上面的步骤总结为4步：
（3.1）先使用jTessBoxEditorFX生成tif文件 num.peng.exp1.tif
jTessBoxEditorFX -> tools->merge tiff

（3.2）生成box文件

bash traindata.sh box

（3.3）校正数据
jTessBoxEditorFX -> Box Editor->Open，num.peng.exp1.tif，调整校正

（3.4）生成traineddata文件

bash traindata.sh

添加参数lang='num'后，识别数据

ret = pytesseract.image_to_string(img, lang='num', config='--psm 6')

训练数据后，100%准确率

实际内容 识别结果
3791 3791
7455 7455
7195 7195
8502 8502
1107 1107
9375 9375
3498 3498
0384 0384
6519 6519
4631 4631

（4）第四次识别
再使用VerifyCode.py文件生成10个新的验证码图片，再试试

新数据的准确率也是100%

实际内容 识别结果
2465 2465
8765 8765
1912 1912
5815 5815
3704 3704
0974 0974
9548 9548
4236 4236
2655 2655
3763 3763