Win 10下 TesseractOCR 5训练中文字体库与.Net Core中调用

本文步骤工具包下载链接: https://pan.baidu.com/s/13w8jDJTX9ONRZL5QdtgoSA 提取码: 8ggw

训练前准备

下载Tesseract OCR （这里的版本是v5.0）

1. 官网地址：https://digi.bib.uni-mannheim.de/tesseract/
2. 下载安装完成后，使用指令 tesseract -v 查看版本号

下载完成查看版本展示

下载官方的中文字体包

1. 官网地址：https://github.com/tesseract-ocr/tessdata_best
2. 如果上面的地址进不去或者下载无法连接到资源，修改本地的hosts文件，修改如下： 151.101.76.133 raw.githubusercontent.com （截止到2020.07.06 还可以使用，不行的话自己上站长之家找个可以的ip）

修改host文件

3. 下载的文件提示

下载的文件提示

准备个素材图

1. 以下图片的字体是宋体，像以下这种的图片，自带字体库识别率挺高的，下面这个是自己测试出来的识别不正常的

关注.png

.Net Core中安装Tesseract OCR相关组件

新建类库 L.TesseractOCRTool （这个名称自己取），安装依赖，这里使用预发行版

安装Tesseract依赖

在类库根目录下新建 tessdata 名称的文件夹（不要打错了）

将上面下载的.traineddata文件拷贝进去，并设置属性始终复制

.traineddata文件拷贝

下载宋体的字体包（不让直传，只能用百度网盘）

链接: https://pan.baidu.com/s/1SbjVTYkGHlb2PYJKz67sAQ 提取码: r239

编写测试代码

// 以下代码从自定义帮助类中提取出来的，如果测试的话，没有必要那么麻烦单独类出来直接使用代码即可
// 文件路径扩张类
public class HelperFile
    {
        /// 

        /// 获取当前程序的目录
        /// 
        /// 当前程序的目录路径
        public static string GetCurrenDirectory()
        {
            return Directory.GetCurrentDirectory();
        }
}

// 字符串方法扩张类
public static class stringExtensions
{
        /// 

        /// 拼接字符串
        /// 
        /// 字符串
        /// 需要拼接的内容
        /// 拼接连接符
        /// 拼接的字符串
        public static string Joint(this string value, string jointVal, string jointChar = "-") => string.Format("{0}{1}{2}", value, jointChar, jointVal);
}

using L.UtilityTool.DataType.Extensions;
using L.UtilityTool.Helper;
using Tesseract;

namespace L.TesseractOCRTool
{
    public class TesseractOCRTool
    {
        //调用tesseract实现OCR识别
        public static string Test()
        {
            string ret = "";
            string imgPath = "";
            imgPath = HelperFile.GetCurrenDirectory().Joint("images\\关注.png", "\\");            

            if (HelperFile.IsFileExist(imgPath))
            {
                //using (var engine = new TesseractEngine("tessdata", "chi", EngineMode.LstmOnly))
                using (var engine = new TesseractEngine("tessdata", "chi_sim", EngineMode.LstmOnly))
                {
                    using (var img = Pix.LoadFromFile(imgPath))
                    {
                        using (var page = engine.Process(img))
                        {
                            ret = page.GetText().Trim();
                        }
                    }
                }
            }

            return ret;
        }
    }
}

使用验证代码来测试自带字体库

关注识别成关沂

详细训练步骤

训练总步骤预览

1. chi_sim.training_files.txt 和 text.txt 可以忽略，后面步骤会介绍，这里写该文章时未删干净

训练总步骤预览

新建text.txt（这里是text、名称可随意）

1. 这里是演示只写一个词汇：关注，正常情况下是自己准备一大堆的中文
2. 一定不可出现空格，不然它自己识别的时候会把空格也当做一个识别框（可用jTessBoxEditor-FX这个软件查看，这里不做演示）

image.png

将宋体的字体包也拷贝到该根目录（可见上图simsun.ttc）

利用text2image.exe，生成.tif和.box文件

1. 这里的text2image.exe是下载Tesseract OCR自带的，可到安装目录直接搜索：text2image
2. 下面的指令可自己新建bat文件运行或者直接打开CMD命令符窗口运行
3. --text填写的上一步新建的text.text文件路径
4. --outputbase填写的是要生成tif和box文件的位置，命名规则：lang为语言名称，fontname为字体名称，num为序号，不可随意（这里是：chi_wzeros.font.exp0）
5. --font字体包名称
6. --fonts_dir字体所在文件夹

text2image --text="E:\L\Other\TesseractOCR\TesseractOcrTrain\text.txt" --outputbase="E:\L\Other\TesseractOCR\TesseractOcrTrain\chi_wzeros.font.exp0" --fontconfig_tmpdir="%temp%" --font="simsun" --fonts_dir="E:\L\Other\TesseractOCR\TesseractOcrTrain"

生成tif和box文件展示

利用.tif和.box文件生成.lstmf文件用于lstm训练，生成.lstmf文件

1.下面的指令可自己新建bat文件运行或者直接打开CMD命令符窗口运行

2. 注意有空格，--psm 6 的效果我测试的结果上看是最好的（你可以自己尝试目前总共到13）

tesseract chi_wzeros.font.exp0.tif chi_wzeros.font.exp0 -l chi_sim --psm 6 lstm.train

生成.lstmf文件

从已有的chi_sim.traineddata中提取.lstm文件

1. 这里的chi_sim.traineddata的文件请使用官网下载的（可回到这篇文章的开头介绍下载）
2. 下面的指令可自己新建bat文件运行或者直接打开CMD命令符窗口运行

combine_tessdata -e chi_sim.traineddata chi_sim.lstm

从chi_sim.traineddata中提取.lstm文件

新建chi_sim.training_files.txt文件（这里是：chi_sim.training_files.txt，名字可随意）

1. 手动新建，不要使用bat文件新建，出现错误未能解决：tesseract Deserialize header failed:....
2. 里面编辑 chi_wzeros.font.exp0.lstmf 的文件路径

chi_sim.training_files.txt文件内容展示

进行训练，生成_checkpoint文件

1. 在根目录下新建output文件（如果想直接生成在根目录下忽略该步骤）
2. 下面的指令可自己新建bat文件运行或者直接打开CMD命令符窗口运行
3. --model_output最后的【\output\】为文件夹名称，【train_output】为训练数据的文件前缀
4. 这步骤如果出现错误的，优先检查chi_sim.training_files.txt该文件路径是否正确，还有里面的文件内容是否正确，再次提醒这个chi_sim.training_files.txt要手动创建，如果有谁解决bat创建问题请告诉我，感谢！
5. 这里的训练结果rate一定要低，如果太高自行调整--max_iterations参数

lstmtraining --debug_interval -1 --max_iterations 100 --continue_from="E:\L\Other\TesseractOCR\TesseractOcrTrain\chi_sim.lstm" --model_output="E:\L\Other\TesseractOCR\TesseractOcrTrain\output\train_output" --train_listfile="E:\L\Other\TesseractOCR\TesseractOcrTrain\chi_sim.training_files.txt" --traineddata="E:\L\Other\TesseractOCR\TesseractOcrTrain\chi_sim.traineddata"

image.png

合并训练结果，生成全新.traineddata文件，也就是自己的字体库

1. 下面的指令可自己新建bat文件运行或者直接打开CMD命令符窗口运行
2. --continue_from 上一步中生成_checkpoint文件路径
3. --model_output 输出全新字体库的名称，这里叫：chi_wzeros.traineddata，可自定义

lstmtraining --stop_training --continue_from="E:\L\Other\TesseractOCR\TesseractOcrTrain\output\train_output_checkpoint" --traineddata="E:\L\Other\TesseractOCR\TesseractOcrTrain\chi_sim.traineddata" --model_output="E:\L\Other\TesseractOCR\TesseractOcrTrain\chi_wzeros.traineddata"

生成自己的字体库

使用代码重新验证前面错误的识别

结果正确了

文章参考：https://blog.csdn.net/m0_37693841/article/details/105672637