识别图片中的文字并不是很难，虽然可以训练一个深度学习程序来进行文字识别，但是太费力了。

-OCR是一个开源的文字识别引擎，支持包括中文在内的多种语言，只要配置好语言，就能识别对应的语言。

如果是印刷字体的话，识别是没有问题的，准确率几乎是100%。一般如果用来识别印刷体的话，不需要额外训练。如果要识别手写的话，就需要额外训练了。这部分以后有时间再研究。

以下是项目下载地址：

源文件地址：

安装文件地址：

1. 安装 - OCR

我们先安装Test-OCR，看看它是如何使用的。

> 语言包：首先下载，双击进行安装，安装过程中注意选择语言包，勾选-；

>配置环境变量：安装完成后会生成一个文件夹：C:\ (x86)\-OCR，将此路径添加到环境变量中；

2.使用

就是文件名，如果后面有pdf，则生成双层pdf，如果后面没有pdf，则生成txt。

3. 页码识别

识别页码的时候，整页输入识别效果不好，最好先把四个角剪掉保存为图片，然后分别识别，选中识别出来的页码。

在做页码识别的时候，一开始就让其生成hocr格式，参数如下：

list<<"-l"<<"Digital1"<

<<<"hocr";

这样会生成一个“.hocr”文件，识别效果基本不错。考虑到还会有框信息和置信度，虽然解析这个HTML比较困难，但还是做了。不过发现个位数的数字无法识别，可能是方块太小了？

我在训练字库的时候发现识别不了个位数的数字，在网上找了个解决办法，加了“--psm 6”参数就解决了。相当于片段识别，不会把不相连的字符当成一个整体来识别，而是当成不同的个体来识别。这样就不会把数字当成一个整体来识别，而是把每个数字分开来识别。

但是在上面的命令行参数中添加这个参数并没有起到什么效果，可能是因为hocr格式的限制，我尝试了不同的方法，比如txt，确实可以识别，但是没有框信息，所以无法进一步判断是有效的页码还是污点。

因为这种识别不提供置信度，也不提供设置识别置信度（阈值）的方法，而是把每个污点都识别成一个数字（字体库里只有数字，如果用eng或者其他综合字体，识别效果不好，数字不能很好的识别）

因此利用box来判断文字的大小和方向，进一步判断是否能被有效识别，就显得十分重要。

如下：

list<<"-l"<<"Digital1"<<"--psm"<<"6"<

<<<"makebox";

解决了页码识别问题。

4.页码字体训练① 下载地址在这里：

https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

下载对应版本的训练器。下载完之后有一个文件，可以看到对应的版本。

②将所有字体tif图片合并为多页tif

合并方法为：

选择好之后会弹出一个窗口让你填写保存文件的名字，交互效果不是很好，你可能以为自己没选对，其实选对了。

③使用命令行生成盒子文件：

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

注意，因为我们无法识别单个数字，所以这里需要添加一个参数：

tesseract num.font.exp0.tif num.font.exp0 --psm 6 batch.nochop makebox

添加了 psm 参数，否则在编辑和更正时将无法识别单个数字！

④新建一个文本文件，命名为

内容是：

font 0 0 0 0 0

⑤打开软件【BOX】>【打开】进行编辑：

这是校准。校准完成后，保存，将保存为新盒子。

⑥执行生成

在此目录中创建一个文本文件 do.bat，内容如下：

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. echo. & pause

字体库就是这么生成的，参考了这篇文章，在此表示感谢：

https://blog.csdn.net/qq_40147863/article/details/82290015