S小魚仔S Tesseract OCR 使用 jTessBoxEditor 應用篇 (二)

講述「jTessBoxEditor」這套「工具」， 延續「上一篇」(Tesseract OCR) 文章過來，「jTessBoxEditor」其實就是「調整」字庫工具，使用者 提供 來源「圖片」，「jTessBoxEditor」就會產生「對應」座標，達到「字串」解析，首先「瞭解」基礎功能。

「jTessBoxEditor」可以直接進行「圖文解析」，主要是依賴「tesseract-ocr\tessdata」內「xxx.traineddata」字元庫。

進行「簡單」測試，使用「tesseract-ocr」內「tesseract」，解析「圖片」內容。

設定「來源」與「目的」位置

 tesseract "D:\Download\OCR\1.gif" "D:\Download\OCR\1.txt"

成功解析

接下來我們打開「jTessBoxEditor」介面

「Tools」=>「Merge TIFF」可以進行「多張」TIFF 圖片檔，進行「合併」，如果您有許多「圖」檔，需要進行「字庫」識別，非常好用。

當我們將「多張」.TIFF 圖檔進行「合併」以後，就可以後續「配置」，使用「tesseract」產生對應「.box」文件

tesseract "D:\Download\OCR\3.tif" "D:\Download\OCR\3" batch.nochop makebox

注意「*.tif」與「*.box」檔案名稱需「一致」

開啟「jTessBoxEditor」=>「Box Editor」=>「Open」=>「*.tif」

這邊就會看到「兩張」圖形，就可以進行「字庫」修改。

產生「*.tr」文件

tesseract "D:\Download\OCR\3.tif" "D:\Download\OCR\3" nobatch box.train

產生「3.tr」

後續就是「字元庫 封存」及「合併 字元庫」產生「x.traineddata」並將「檔案」上傳 服務器 到相對應「位置」請參考「S魚仔仔S - Centos 7 搭建 Tesseract OCR 圖文辨識系統 (一)」

S小魚仔S Centos 7 搭建 Tesseract OCR 圖文辨識系統 (一)

光學字符識別(OCR,Optical Character Recognition)是指對圖片進行掃描，然後對圖像文件進行分析處理，獲取文字及版面信息的過程，Tesseract 的 OCR 引擎最先由 HP 實驗室於1985年開始研發，至1995年時已經成為OCR業內最準確的三款識別引擎之一。然而，HP不久便決定放棄OCR業務，Tesseract 也從此塵封，數年以後，Tesseract 由美國內華達州信息技術研究所獲得，並求諸於 Google 對 Tesseract 進行改進、消除 Bug、優化工作。

當進行「圖文」辨識，不夠精準，必須使用「jTessBoxEditor」工具 ( 需要安裝 JAVA 環境 )，進行「圖文」庫增加 並 放到「字庫」路徑。

~~ 開始進行實作 ~~

;使用「weget」下載「epel-release」資源庫。

wget https://dl.fedoraproject.org/pub/epel/epel-release-latest-7.noarch.rpm

;安裝「epel-release-latest-7*.rpm」資源庫。

sudo rpm -Uvh epel-release-latest-7*.rpm

#修改「電腦」名稱

hostnamectl set-hostname OCR

#搜尋「tesseract」套件

yum search tesseract

#安裝「tesseract.x86_64」

yum install tesseract.x86_64

#安裝「tesseract-devel.x86_64」和「tesseract-osd.x86_64」

yum install tesseract-devel.x86_64 tesseract-osd.x86_64

#安裝「tesseract-langpack-chi_sim.noarch」簡體字庫語言包

#安裝「tesseract-langpack-chi_tra.noarch」繁體字庫語言包

yum install tesseract-langpack-chi_sim.noarch tesseract-langpack-chi_tra.noarch

#檢查「tesseract」支持的语言

tesseract --list-langs

將「圖文」上傳「Tesseract」服務器，開始進行「圖文辨識」

#  辨識「chin-tra.png」圖片

#「chin-ocr-tra」當前目錄「輸出」.txt

#「chi_tra」(繁體) 為「字庫」位置

tesseract chin-tra.png chin-ocr-tra -l chi_tra

# 辨識「chin-sim.png」圖片

#「chin-ocr-sim」當前目錄「輸出」.txt

#「chi_sim」(簡體) 為「字庫」位置

tesseract chin-sim.png chin-ocr-sim -l chi_sim

#辨識「english.png」圖片

#「eng-ocr」當前目錄「輸出」.txt

#「eng」(英文) 為「字庫」位置

tesseract english.png eng-ocr -l eng

#檢查「結果」

cat eng-ocr.txt

發現「辨識率」不佳，這時候需要使用「jTessBoxEditor」進行「字源庫」增加，首先「瞭解」資料夾結構。

「jTessBoxEditor」目錄有「jTessBoxEditor.jar」和「train.bat」都是「執行檔」

 目錄「tesseract-ocr」=>「tesseract.exe」這是負責「進行」圖片解析專用，需配合「Windows Command」帶參數。

將源「圖片」使用「小畫家」另存「tif」格式 並 修改圖片「名稱」。

PS

「tif」命名格式 [lang].[fontname].exp[num].tif

lang = 語言 

fontname = 字體

比如我們要訓練自定義字庫「mjorcen」字體名「normal」，那麼我們把圖片來源重命名「mjorcen.normal.exp0.jpg」在轉「.tif」。

使用「Windows Command」配合「tesseract.exe」帶參數，產生「*.box」

tesseract mjorcen.normal.exp0.gif mjorcen.normal.exp0 -l eng batch.nochop makebox

PS

「*.box」和「*.tif」一定要在相同的目錄，否則打不开。

開啟「jTessBoxEditor」工具，進行「字庫」編輯

開啟「*.tif」

打開「*.tif」來源 辨識 字元

修改「*.tif」完成 辨識 字元 並「儲存」( Ctrl+S)

進行「字元庫」封存
tesseract mjorcen.normal.exp0.gif mjorcen.normal.exp0 nobatch box.train

unicharset_extractor mjorcen.normal.exp0.box


封存完會產生「mjorcen.normal.exp0.tr」、「unicharset」

建立「Font_Properties.txt」文字檔，去掉「附檔名」

「Font_Properties」內容寫入「normal 0 0 0 0 0」 表示預設「普通字體」

輸入「Windows Command」指令

shapeclustering -F font_properties -U unicharset mjorcen.normal.exp0.tr

mftraining -F font_properties -U unicharset -O unicharset mjorcen.normal.exp0.tr

cntraining mjorcen.normal.exp0.tr

最後會生成五個文件，把目錄下的「unicharset」、「inttemp」、「pffmtable」、「shapetable」、「normproto」這五個文件前面都加上 「normal.」

輸入「Windows Command」合併「normal.*」五個文件
「combine_tessdata normal.」

「normal.traineddata」就是我們「完成」字庫來源，上傳到「Tesseract」服務器「/usr/share/tesseract/tessdata」位置
PS
「/usr/share/tesseract/tessdata」字元庫

登入「Tesseract」服務器，使用「訓練好的」字庫進行「圖文」辨識，「normal」 就是配對「normal.traineddata」字元庫

參考資料

「wzben」-「Tesseract OCR识别中文与训练字库实例」

「51cto」-「使用 Tesseract-OCR 训练文字识别记录」

「51cto」-「Tesseract Ocr 字符识别基础及训练字库、合并字库」