标签：alt   安装文件   技术   bom头   content   charm   run   商业   数字识别   

大屏23Tesseract字库训练Tesseract 3

超级详细的Tesseract-OCR样本训练方法

Sharon Liu 2018-11-05 16:38:52   55039   收藏 163

分类专栏： C++ java

版权

Tesseract-OCR样本训练方法

一、简介

Tesseract是一个开源的OCR（Optical Character Recognition，光学字符识别）引擎，可以识别多种格式的图像文件并将其转换成文本，目前已支持60多种语言（包括中文）。 Tesseract最初由HP公司开发，后来由Google维护。

二、下载

1.从https://github.com/UB-Mannheim/tesseract/wiki下载tesseract安装包,目前最新的版本是tesseract-ocr-w64-setup-v4.0.0.20181030.exe。

2.从https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/下载jTessBoxEditor训练工具，目前最新的版本是jTessBoxEditor-2.2.0.zip。

3.由于jTessBoxEditor是用Java开发的，需要安装Java虚拟机才能运行。从https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html下载Java JDK,目前最新的版本事jdk-8u191-windows-x64.exe。

三、安装tesseract

1.双击tesseract-ocr-setup-4.00.00dev.exe运行。

2.点击Next。

3.I accept the terms of the License Agreement前的复选框打勾，点击Next。

4.Install for anyone using this computer前的复选框打勾，点击Next。

5.选择需要安装的内容，点击Next。

6.点击Browse…选择安装路径，默认安装在C:\Program Files(x86)\Tesseract-OCR，点击Next。

7.点击Install。

8.等待安装完成。

9.点击Next。

10.Show README前的复选框取消打勾，点击Finish。

四、安装Java JDK

1.双击jdk-8u191-windows-x64.exe运行。

2.点击下一步。

3.点击更改。

4.输入安装路径后，点击确定。

5.点击下一步。

6.等待安装完成。

7.点击关闭。

五、配置Java环境变量

1.此电脑右键。

2. 点击属性。

3.点击高级系统设置。

4.选择高级->环境变量。

5.点击新建。

6.变量名输入JAVA_HOME，变量值输入JDK安装目录，点击确定。

7.系统变量中,选择Path，点击编辑。

8.点击新建。

9.输入%JAVA_HOME%\bin，点击确定。

10.点击确定。

11.点击确定。

12.重启电脑。

六、安装jTessBoxEditor

1.解压

2.双击jTessBoxEditor-2.2.0

3.双击jTessBoxEditor

4.双击jTessBoxEditor,jar运行

5.出现以下界面则安装成功。

七、制作训练样本

1. 运行jTessBoxEditor工具，点击Tools。

2.点击Merge TIFF。

3.文件类型选择All Image Files，选择样本图片，点击打开。

4.文件名输入num.font.exp0.tif，文件类型选择TIFF，点击保存。

5.点击确定。

6. 将num.font.exp0.tif文件复制到Tesseract-OCR安装目录。

7. 生成Box File文件。打开cmd命令行，以管理员身份运行。

8.进入Tesseract-OCR安装目录。

9.执行命令:

tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox 

生成的box文件为num.font.exp0.box，box文件为Tesseract识别出的字符及其坐标。

注：Make Box File 文件名有一定的格式，不能随便乱取名字，命令格式为：

tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox

其中lang为语言名称，fontname为字体名称，num为序号，可以随便定义。

10. 将上一步生成的.box和.tif样本文件放在同一目录。我是放在Tesseract-OCR默认安装目录下。

11.运行jTessBoxEditor工具，点击Box Editor。

12.点击Open。

13.选择之前生成的num.font.exp0.tif，点击打开。

14. 可以看出有些字符识别的位置不准确，可以通过该工具手动对每张图片中识别错误的字符和位置进行校正。校正完成后保存即可。

注: 这里必须修改识别错误的字符，否则做出来的traineddata文件也是错的。可以在下面的界面中修改并保存，也可以直接在traineddata文件中修改。

15. 定义字体特征文件。创建一个名称为font_properties的字体特征文件。font_properties不含有BOM头，文件内容格式如下：

<fontname> <italic> <bold> <fixed> <serif> <fraktur>  

其中fontname为字体名称，必须与[lang].[fontname].exp[num].box中的名称保持一致。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值为1或0，表示字体是否具有这些属性。

这里在样本图片所在目录下创建一个名称为font_properties的文件，用记事本打开，输入以下下内容：

font 0 0 0 0 0

这里全取值为0，表示字体不是粗体、斜体等等。

16. 生成语言文件。在样本图片所在目录下创建一个批处理文件，输入如下内容:

rem 执行改批处理前先要目录下创建font_properties文件 

echo Run Tesseract for Training.. 

tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train 

echo Compute the Character Set.. 

unicharset_extractor.exe num.font.exp0.box 

mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr 

echo Clustering.. 

cntraining.exe num.font.exp0.tr 

echo Rename Files.. 

rename normproto num.normproto 

rename inttemp num.inttemp 

rename pffmtable num.pffmtable 

rename shapetable num.shapetable  

echo Create Tessdata.. 

combine_tessdata.exe num.

17. 执行批处理文件, num.traineddata便是最终生成的语言文件,将生成的num.traineddata拷贝到程序的样本文件夹里,就可以使用了。

————————————————

版权声明：本文为CSDN博主「Sharon Liu」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/sylsjane/article/details/83751297

import requests
import shelve

url=‘Your URL‘
verifyCodeUrl=‘Your verifyCodeUrl‘
s=requests.Session()

html=s.get(‘Your URL‘).content
f=open(‘verifyCode.jpg‘,‘wb‘)
f.write(html)
f.close()

作者：匿名用户
链接：https://www.zhihu.com/question/21451510/answer/36788950
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

作者：匿名用户
链接：https://www.zhihu.com/question/21451510/answer/92877734
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

import requests

from selenium import webdriver

from xxx import decaptcha

w = webdriver.PhantomJS()

s = requests.Session()

w.get(url)

cookie = []

for item in w.get_cookies():

    cookie.append(item[‘name‘] + ‘=‘ + item[‘value‘])

c = ‘;‘.join(cookie)

s.headers.update({‘cookie‘:c})

while not isLogin:

    capt = decaptcha(s.get(captchaUrl).content)

    w.find_element...

    w.send_keys...

发布于 2016-03-30

?赞同 13??22 条评论

?分享

?收藏?喜欢

继续浏览内容

知乎

发现更大的世界

打开

Chrome

继续

张楠

我用的方法也是截图，将网页固定大小，截图后使用OCR技术进行识别。不过这个截图方法太死板，我希望有一个可以获取验证码在屏幕坐标的函数，那样就可以截取一个固定大小，无论验证码在屏幕的任何位置都可以去截取而不用修改代码。

包使用的是tesseract-ocr

import win32gui
from ctypes import *

import ctypes
from PIL import ImageGrab

import win32api,win32con
import pyHook

import pythoncom
from selenium import webdriver

import os
import time

#此处登录网站并且输入用户名密码
browser = webdriver.Chrome()

browser.get("此处输入你的网址")
browser.find_element_by_id("username").send_keys("用户名")

browser.find_element_by_id("password").send_keys("密码")
#对验证码部分进行截图

while (1):
class RECT(ctypes.Structure):

_fields_ = [(‘left‘, ctypes.c_int),
(‘top‘, ctypes.c_int),

(‘right‘, ctypes.c_int),
(‘bottom‘, ctypes.c_int)]

rect = RECT()
HWND = win32gui.GetForegroundWindow()

ctypes.windll.user32.GetWindowRect(HWND, ctypes.byref(rect))
# 下面这行是只截取验证码这个区域
coordinate = (rect.left+432, rect.top+463, rect.right-420, rect.bottom-525)

pic = ImageGrab.grab(coordinate)
pic.save("D:\\verificationcode.jpg")

#使用OCR技术进行识别
command = "tesseract verificationcode.jpg d:\\verresult"

os.system(command)
f = open("d:\\verresult.txt",‘r‘)

line = f.read(4)
#print line

f.close()
g=line.isalnum()

#print g
#枚举识别，如果识别失败则重新截图识别，直到进入系统。

if g:
browser.find_element_by_id("authcode").send_keys(line)

browser.find_element_by_xpath("//button[@type=‘submit‘]").click()
#print "click submit ok"

time.sleep(2)
# 获取系统的title，比如成功登录进去以后的title是“系统首页”
if u"系统首页" == browser.title :

print "login success"
break

else:
#下面就是验证码错误以后的处理，比如点掉提示验证码错误的框等等。
#print "login faild"

time.sleep(2)
browser.find_element_by_id("okBtn").click()

#print "click okbtn ok"
time.sleep(2)

browser.find_element_by_id("authCodeImg").click()
#print "click codeimg ok"

else:
browser.find_element_by_id("authCodeImg").click()

如果不跨域，注入 js，【把 img 画到 canvas，然后 toDataURL】或【xhr 然后 readAsDataURL】，把 base64 写入文本节点或者什么属性里面，然后再外面获取就是了

Tesseract-OCR 图片数字识别的样本训练

一声笑555 2018-06-12 16:57:22   15641   收藏 35

分类专栏： python 文章标签： python pytesseract Tesseract-OCR jTessBoxEditor

版权

最近想利用python写一段识别穿越火线交易所各种道具价格的代码。命令行执行：

tesseract.exe grab.jpg result -l eng

使用默认的Tesseract语言库总会识别成字母或者乱码，如下图：

于是参考https://blog.csdn.net/yasi_xi/article/details/8763385这篇帖子，训练了一个对游戏中数字识别度较高的样本库。

训练样本：

待识别的图像如下图中出售价格及我的CF点

python代码：

import win32con

import win32gui

import pytesseract

from PIL import ImageGrab

import time

def get_bin_table(threshold=105):

    # 获取灰度转二值的映射table

    table = []

    for i in range(256):

        if i < threshold:

            table.append(0)

        else:

            table.append(1)

    return table

def grab():

    hwnd = win32gui.FindWindow(0, "Crossfire20170910_0000.bmp - 画图")  # 获取句柄

    print(hwnd)

    left, top, right, bottom = win32gui.GetWindowRect(hwnd)

    print(left, top, right, bottom)

    win32gui.ShowWindow(hwnd, win32con.SW_SHOWNORMAL)

    win32gui.SetForegroundWindow(hwnd)

    time.sleep(0.2)

    img = ImageGrab.grab((870,478,913,495))  # 截图，获取需要识别的区域

    img.show()

    imggray = img.convert(‘L‘)  # 转化为灰度图

    table = get_bin_table()

    out = imggray.point(table, ‘1‘)

    #out.show()

    text = pytesseract.image_to_string(out)  # 使用简体中文解析图片则改为chi_sim

    text = text.upper()

    print(text)

    # img.save(‘C:/Users/Ysx/PycharmProjects/ocr/out/%s.jpg‘ % text)

if __name__ == ‘__main__‘:

    grab()

使用默认的语言库识别成功率不高，会识别为乱码或者字母。所以计划自己训练一个只能识别数字的准确语言库。

1.训练环境：首先安装jdk-10.0.1_windows-x64_bin.exe，它是java的运行环境。然后下载工具jTessBoxEditor，它是训练样本的工具。

2.样本图像：从CF截图如下图像（越多越好，不过总共也就10个数字）。

3.合并图像：运行jTessBoxEditor，菜单栏中Tools--Merge TIFF。在弹出的对话框中选择样本图像（按Shift选择多张），合并名为num.font.exp0.tif文件。

4.生成Box file文件：

        命令行执行：    

 cd C:\Users\Ysx\PycharmProjects\ocr\train

tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox

* 生成num.font.exp0.box，BOX文件为Tessercat识别出的文字和其坐标。

5.文字校正：jTessBoxEditor工具打开num.font.exp0.tif，增加未识别的、修改识别错误的数字。

6.定义字体特征文件：（当前目录下新建记事本，输入font 0 0 0 0 0，存为font_properties，注意删除.txt后缀）

格式应为<fontname> <italic> <bold> <fixed> <serif> <fraktur>，取值1/0代表是否拥有对应属性。

7.生成语言文件：（当前目录下新建记事本，输入下列代码，存为1.bat）

rem 执行改批处理前先要目录下创建font_properties文件  

echo Run Tesseract for Training.. 

tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train 

echo Compute the Character Set.. 

unicharset_extractor.exe num.font.exp0.box 

mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr 

echo Clustering.. 

cntraining.exe num.font.exp0.tr 

echo Rename Files.. 

rename normproto num.normproto 

rename inttemp num.inttemp 

rename pffmtable num.pffmtable 

rename shapetable num.shapetable  

echo Create Tessdata.. 

combine_tessdata.exe num.

双击1.bat执行，生成的num.traineddata存到对应的Tesseract-OCR\tessdata目录。

8.使用训练得到的num语言库：

命令行执行：

tesseract.exe grab.jpg result -l num

原来不易识别的数字可以识别了，下一步就是做交易价格低于某值的时候自动操作购买道具的代码了。

Tesseract-OCR安装和pytesseract配置参考http://www.inimei.cn/archives/297.html

字库训练https://blog.csdn.net/a443475601/article/details/9854003

————————————————

版权声明：本文为CSDN博主「一声笑555」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/u012555556/article/details/80666809

Tesseract 3.02字库训练

苹果皮 2013-08-09 13:41:57   21604   收藏 6

版权

下载chi_sim.traindata字库

下载tesseract-ocr-setup-3.02.02.exe

下载地址：http://code.google.com/p/tesseract-ocr/downloads/list

下载jTessBoxEditor用于修改box文件

下载地址：http://download.csdn.net/detail/a443475601/5896893 里面自带java运行库，安装后 然后启动命令行 java -jar jTessBoxEditor.jar即可打开

为了方便 tif文面命名格式[lang].[fontname].exp[num].tif

lang是语言 fontname是字体

比如我们要训练自定义字库 image 字体名MyFont

那么我们把tif文件重命名 image.MyFont.exp0.tif

下面开始训练字库：

1、tesseract image.MyFont.exp0.tif image.MyFont.exp0 -l chi_sim batch.nochop makebox

该步骤会生成一个image.MyFont.exp0.box文件

把tif文件和box文件放在同一目录，用jTessBoxEditor.jar打开tif文件，然后根据实际情况修改box文件

2、tesseract image.MyFont.exp0.tif image.MyFont.exp0 nobatch box.train

该步骤生成一个image.MyFont.exp0.tr文件

3、unicharset_extractor image.MyFont.exp0.box

该步骤生成一个unicharset文件

4、新建一个font_properties文件

里面内容写入MyFont 0 0 0 0 0 表示默认普通字体

5、运行命令

shapeclustering -F font_properties -U unicharset image.MyFont.exp0.tr

mftraining -F font_properties -U unicharset -O image.unicharset image.MyFont.exp0.tr

cntraining image.MyFont.exp0.tr

6、把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上image.

7、执行combine_tessdata image.

然后把image.traineddata放到tessdata目录

8、用新的字库对图片进行分析

tesseract test.tif output -l image

————————————————

版权声明：本文为CSDN博主「苹果皮」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/a443475601/article/details/9854003

Tesseract-OCR 字符识别---样本训练

yasi_xi 2013-04-06 09:53:59  91292  收藏 11

转自：http://blog.csdn.net/feihu521a/article/details/8433077

        Tesseract是一个开源的OCR（Optical Character Recognition，光学字符识别）引擎，可以识别多种格式的图像文件并将其转换成文本，目前已支持60多种语言（包括中文）。 Tesseract最初由HP公司开发，后来由Google维护，目前发布在Googel Project上。地址为http://code.google.com/p/tesseract-ocr/。

使用默认的语言库识别

1.安装Tesseract

        从 http://code.google.com/p/tesseract-ocr/downloads/list下载Tesseract，目前版本为Tesseract3.02。因为只是测试使用，这里直接下载winodws下的安装文件tesseract-ocr-setup-3.02.02.exe。安装成功后会在相应磁盘上生成一个Tesseract-OCR目录。通过目录下的tesseract.exe程序就可以对图像字符进行识别了。

2.准备一副待识别的图像，这里用画图工具随便写了一串数字，保存为number.jpg，如下图所示：

3.  打开命令行，定位到Tesseract-OCR目录，输入命令：

[plain]  view plain copy

     其中result表示输出结果文件txt名称，eng表示用以识别的语言文件为英文。

3.  打开Tesseract-OCR目录下的result.txt文件，看到识别的结果为7542315857，有3个字符识别错误，识别率还不是很高，那有没有什么方法来提供识别率呢？Tesseract提供了一套训练样本的方法，用以生成自己所需的识别语言库。下面介绍一下具体训练样本的方法。

训练样本

关于如何训练样本，Tesseract-OCR官网有详细的介绍 http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3。这里通过一个简单的例子来介绍一下如何进行样本训练。

1.下载工具jTessBoxEditor. http://sourceforge.net/projects/vietocr/files/jTessBoxEditor/，这个工具是用来训练样本用的，由于该工具是用JAVA开发的，需要安装JAVA虚拟机才能运行。

2. 获取样本图像。用画图工具绘制了5张0-9的文样本图像（当然样本越多越好），如下图所示：

3.合并样本图像。运行jTessBoxEditor工具，在点击菜单栏中Tools--->Merge TIFF。在弹出的对话框中选择样本图像（按Shift选择多张），合并成num.font.exp0.tif文件。

4.生成Box File文件。打开命令行，执行命令：

[plain]  view plain copy

  生成的BOX文件为num.font.exp0.box，BOX文件为Tessercat识别出的文字和其坐标。

注：Make Box File 文件名有一定的格式，不能随便乱取名字，命令格式为：

[plain]  view plain copy

其中lang为语言名称，fontname为字体名称，num为序号，可以随便定义。

【Yasi】：先前自己定义了tessdata的环境变量 TESSDATA_PREFIX 值为 E:\tesseract\tessdata，但没有从tesseract源文件目录中将tessdata子目录中的内容copy到 E:\tesseract\tessdata 中，造成上面的命令报错，说找不到batch.nochop 和 makebox。解决办法：将 tesseract 源文件目录中所有文件和子文件夹（可能充分但非必要，先不管这些啦）copy到 E:\tesseract\tessdata 中。

5.文字校正。运行jTessBoxEditor工具，打开num.font.exp0.tif文件（必须将上一步生成的.box和.tif样本文件放在同一目录），如下图所示。可以看出有些字符识别的不正确，可以通过该工具手动对每张图片中识别错误的字符进行校正。校正完成后保存即可。

【Yasi】这里必须修改识别错误的字符，否则做出来的traineddata文件也是错的。可以在下面的界面中修改并保存，也可以直接在traineddata文件中修改。

6.定义字体特征文件。Tesseract-OCR3.01以上的版本在训练之前需要创建一个名称为font_properties的字体特征文件。

font_properties不含有BOM头，文件内容格式如下：

[plain]  view plain copy

其中fontname为字体名称，必须与[lang].[fontname].exp[num].box中的名称保持一致。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值为1或0，表示字体是否具有这些属性。

这里在样本图片所在目录下创建一个名称为font_properties的文件，用记事本打开，输入以下下内容：

[plain]  view plain copy

这里全取值为0，表示字体不是粗体、斜体等等。

7.生成语言文件。在样本图片所在目录下创建一个批处理文件，输入如下内容。

[plain]  view plain copy

将批处理通过命令行执行。执行后的结果如下：

需确认打印结果中的Offset 1、3、4、5、13这些项不是-1。这样，一个新的语言文件就生成了。

num.traineddata便是最终生成的语言文件，将生成的num.traineddata拷贝到Tesseract-OCR-->tessdata目录下。可以用它来进行字符识别了。

使用训练后的语言库识别

用训练后的语言库识别number.jpg文件， 打开命令行，定位到Tesseract-OCR目录，输入命令：

[plain]  view plain copy

识别结果如如图所示，可以看到识别率提高了不少。通过自定义训练样本，可以进行图形验证码、车牌号码识别等。感兴趣的朋友可以研究研究。

【Yasi】试验结果如下：

下面是num-yasi.png 

 将生成的num.traineddata拷贝到E:\tesseract\tessdata，即环境变量TESSDATA_PREFIX 设置的路径下，执行下面的命令（ 注意第二条命令结尾是num，即新加的traineddata，而不是eng）

E:\tesseract\tesseract-svn\vs2008\LIB_Debug\tesseractd.exe num-yasi.png result-eng -l eng

E:\tesseract\tesseract-svn\vs2008\LIB_Debug\tesseractd.exe num-yasi.png result-num -l num

下图是两次识别结果对比

使用eng traineddata的结果完全不靠谱；使用了自己的traineddata，识别出来的当然都是数字，但正确率实在糟糕。可能是我自己手写的字体和用来做traineddata的手写数字的字体差别太大了吧。

大屏23Tesseract字库训练Tesseract 3

标签：alt   安装文件   技术   bom头   content   charm   run   商业   数字识别   

原文地址：https://www.cnblogs.com/xinxihua/p/14587122.html