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

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

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

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）　

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）　

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

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)　

combine_tessdata.exe bm. 

　　

　　生成bm.traineddata文件，

　　

　　将这个文件复制到Tesseract-OCR essdata文件夹下然后用训练过的字库在识别下　

　　

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

　　

import pytesseract
from PIL import Image
# pytesseract.pytesseract.tesseract_cmd='D:Program FilespythonTesseract-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 result

print(getyzm())