Python3的pytesseract和Tesseract-ocr的使用以及自己训练数据集的方法

Python3的pytesseract和Tesseract-ocr的使用以及自己训练数据集的方法。

一、安装pytesseract

pip install pytesseract -i https://mirrors.aliyun.com/pypi/simple/ 

二、安装PIL和pillow库

三、下载Windows tesseract-ocr并配置其环境（网上有很多教程大家可以自行收集），内容和配置python的编译环境差不多。

四、修改pytesseract.py

到你的Python的Lib\site-packages\pytesseract中找到pytesseract.py并修改其中的tesseract_cmd

修改为：（亦可以报错后直接找到该文件后修改）

tesseract_cmd = 'D:/Tesseract-OCR/tesseract.exe'（环境位置）

五、训练数据集

（1）下载jTessBoxEditor（网上搜索，可自行下载）

（2）安装jdk1.8以上的环境

（3）准备训练的标本，比如我的：you dont konw how hard to understand(有单词错误请自行忽略)，图片越多越好，但是为了方便，此处随便打字并截取图片，大家可以自行选择。

 （4）将照片转化合并为tif格式，方便数据训练。

 选择merge TIFF，并选择图片，然后将它保存。

（5）在新建的tif文件夹的导航栏输入cmd,弹出命令行窗口。

（6）按照图片进行设置

（7）训练语言设置为yy,训练文件夹自行选择好，之后选择make box file only，点击run。

（8）在cmd命令行处依次输入：

tesseract yy.test.exp0.tif yy.test.exp0 nobatch box.train
 
echo test 0 0 0 0 0 >yy.font_properties
 
unicharset_extractor yy.test.exp0.box

 

 

 （9）选择如下图，点击run：

 （10）最后执行：

 combine_tessdata yy.
 

 （11）将生成的“yy.traineddata”语言包文件复制到Tesseract-OCR 安装目录下的tessdata文件夹中

Log输出中的Offset 1、3、4、5、13这些项不是-1，表示新的语言包生成成功，就可以使用训练生成的语言包进行图像文字识别了。

（12）代码测试

from PIL import Image
import pytesseract
 
img = Image.open("G:\\videos\\wvax_2\\train2\\yy.test.exp0.jpg")
ocr_str = pytesseract.image_to_string(img,lang='yy',config = "--psm 7")
print(ocr_str)

效果：

 

至此完成了数据训练和使用，看代码应该简单明了的知道如何使用yy训练数据集了，该方法生成的tif还可以通过 jTessBoxEditor修改，最终提高识别效果。具体方法请自行搜索，关于该库的使用和环境配置就介绍到这里，谢谢你的阅读。如文章有不懂的地方，请私信或者留言。