TesseractOCR的使用与训练
Tesseract，是一个开源文本识别 (OCR) 引擎，是由HP实验室开发由Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎，与Microsoft Office Document Imaging（MODI）相比，可以不断的训练自己的库，使图像转换文本的能力不断增强；如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。
安装
百度搜索Tesseract，选择适合的版本安装，如安装位置D:\Tesseract-OCR，安装完成之后，增加环境变量TESSDATA_PREFIX，指向到D:\Tesseract-OCR\tessdata，在Path环境变量中增加D:\Tesseract-OCR。
如果需要识别中文，下载中文语言包，下载地址https://digi.bib.uni-mannheim.de/tesseract/tessdata_fast/， 下载完成后放到D:\Tesseract-OCR\tessdata目录下面
检查是否安装成功
通过tesseract --version命令如果能看以下相关信息，说明安装成功
测试
使用命令行测试
打开命令行窗口，输入 tesseract test.jpg result.txt -l chi_sim 执行，其中
test.jpg 是当前目录下需要识别的图片文件（支持多种图片格式）
result.txt 识别后输出的结果文件
-l 参数，代表要使用的语言，默认eng
chi_sim 中文
使用Python脚本测试
使用python调用Tesseract-OCR时，需要用到pytesseract库，可先进行安装pytesseract
import pytesseract
import cv2
image = cv2.imread(r'F:\test.jpg', cv2.IMREAD_COLOR)
result = pytesseract.image_to_string(image, 'chi_sim')
print(result)
Tesseract训练
训练自定义的模型，如训练手写的0到9的数字，训练完成后把生成的模型文件放到D:\Tesseract-OCR\tessdata，就可通过上面测试的方法，识别文件了，训练需要用到jTessBoxEditorFX软件（该软件是java开发的，需安装java环境）， 训练方法如下：
获取样式文件
手写多张0到9的数字（样式文件越多越好），生在图片文件，文件格式一定要是**.tif**的。
Merge样本文件
打开jTessBoxEditor，Tools->Merge TIFF，将样本文件全部选上，并将合并文件保存为num.font.exp0.tif
生成BOX文件
打开命令行并切换至num.font.exp0.tif所在目录，输入，生成文件名为num.font.exp0.box，文件名一定要与上面生成tif文件名一致，否则使用jTessBoxEditorFX工具校正的时候会找不到data
tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox
语法
tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox
lang为语言名称，fontname为字体名称，num为序号
定义字符配置文件
在目标文件夹内创建一个名为font_properties的文本文件，内容为
font 0 0 0 0 0
语法
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
字符校正
打开jTessBoxEditor，BOX Editor -> Open，打开num.font.exp0.tif，如图
通过上面的工具对识别错误或少识别的字符进行校正或添加，确保每个字符的大小、位置和值都是正确的，保存文件
执行批处理文件
在目标目录下创建一个批处理文件，如make.bat，内容如下：
rem test
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
保存会执行，结果如下代表执行成功
执行完成之后在目标目录下会产生如下文件
生成模型文件
将目标目录下生成的文件num.traineddata，放到到Tesseract-OCR中tessdata文件夹下
测试
打开命令行窗口执行
tesseract test.jpg result.txt -l num
语言使用num，代表使用刚才训练的模型，最后在result.txt查看识别出的字符