OCR（Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程。目前最新的 tesseract 项目已经全部迁移到了 github 上，我们可以从中获取所有主要的信息。地址： https://github.com/tesseract-ocr/tesseract
整个依赖安装过程如下：（Mac 为例）
//先安装依赖库libpng, jpeg, libtiff, leptonica
brew install leptonica
//安装tesseract的同时安装训练工具（一定要安装后面训练使用）
brew install --with-training-tools tesseract
//安装tesseract的同时安装所有语言(不建议安装全部 中文简体和英文足以)
brew install --all-languages tesseract
//只安装tesseract，不安装训练工具
brew install tesseract
装好后需要安装一个中文语言库，默认都是英文的语言库。
下载地址:https://github.com/tesseract-ocr/tessdata
根据自己的需求选择所要的语言库，在这里我们选择的是简体中文所以选择的库是：chi_sim.traineddata、eng.traineddata
将文件拷贝到到：/usr/local/Cellar/tesseract/3.05.01/share/tessdata 目录下。
需要一个封装好的基于 OCR 的第三方库：pytesseract
需要一个读取图像识别的库：opencv 或者 pillow（建议）
sudo pip install pytesseract
sudo pip install PILLOW
// 默认读取图片是使用英文 image图片地址 result 识别结果result.txt
tesseract image result
// 使用语言包 -l （language缩写）
tesseract -l chi_sim image result
百度上可以找到很多文字图片，这里拿一张举例子。(这里需要的是 tiff 格式的图片) 有地址可以进行转换：https://cn.office-converter.com/Convert-to-TIF
现在来是识别这张图片中的内容：
新建了个文件夹 OCR 下面只有一张 train 的图片：train.tif
运行命令：
// 记得用中文不然一堆乱码
tesseract -l chi_sim train.tif result
查看结果：
准确率还可以但是因为文字比较简单，"眷顾"的"眷"被认成了"替"，人工智障还不认识"一"。 以上方式为命令行操作。
#!/usr/bin/python
# -*- coding: UTF-8 -*-
# 基础包：OCR
from PIL import Image
import pytesseract
def main(img):
image = Image.open(img)
text = pytesseract.image_to_string(image, lang='chi_sim')
print text
if __name__ == '__main__':
main('train.tif')
需要导入 PIL 读取图片，然后通过 pytesseract 读取图片中的字符，语言必须选择中文简体（和命令行一样）
上面的文字怎么样让 OCR 都认识呢？前面安装过训练工具。
需要先生成一个.box 文件查看识别内容。命令如下：
// 制作box文件
tesseract train.tif train -l chi_sim batch.nochop makebox
可以查看到生成了一个 train.box 的文件。
下载工具：jTessBoxEditor http://vietocr.sourceforge.net/training.html
打开 train.tif 只有生成了 train.box 才能查看他的识别过程。
打开 train.tif 可以明显看到识别的每一个字的正确。
把错误的字修改一下，更改成正确的字。然后保存。
需要几个命令：
// 制作文字属性文件
echo font 0 0 0 0 0 >font_properties
// 生成训练文件 train.tr 这个文件非常重要之后训练用的
tesseract train.tif train -l chi_sim nobatch box.train
// 生成字符集
unicharset_extractor train.box
// 生成shape
shapeclustering -F font_properties -U unicharset -O unicharset train.tr
// 聚合字符特征文件
mftraining -F font_properties -U unicharset -O unicharset train.tr
//正常化文件
cntraining train.tr
查看结果：
然后多出了很多文件：
unicharset、inttemp、pffmtable、shapetable、normproto
需要全部重命名成 train.前缀：
train.unicharset、train.inttemp、train.pffmtable、train.shapetable、train.normproto
然后通过命令合并制作成.traineddata 文件：
// 合并训练好的文件
combine_tessdata train.
合并结果如下并且去查看 OCR 本身安装的语取文件就是这个.traineddata 格式的官方训练好的，其实我们是自己制作了一个定制化适用自己的字体库了。
将训练好的.traineddata 移动到系统安装 tesseract 的文件夹下
命令如下：
mv train.traineddata /usr/local/Cellar/tesseract/3.05.02/share/tessdata
代码不用修改太多只用把语言库改为自己的库，即 lang='chi_sim' 改为我们训练的 lang='train'。代码如下：
#!/usr/bin/python
# -*- coding: UTF-8 -*-
# 基础包：OCR
from PIL import Image
import pytesseract
def main(img):
image = Image.open(img)
text = pytesseract.image_to_string(image, lang='train')
print text
if __name__ == '__main__':
main('train.tif')
这次结果非常完美 100% 正确。但是这个库现在还是个幼小的智障库，只能识别这个图其他还需要训练，文末彩蛋给出如何训练大量字体库。
制作大型字体训练库：中文有 3500 个汉字 一一 先制作一个 list 所有的常用汉字集合。
用 Opencv 制作一张白底背景 100x100 像素的图片。
import cv2
a = cv2.imread('1.png')
b = cv2.resize(a,(100,100))
cv2.imwrite('train.png',b)
分别把 3500 个汉字拼接到图片中,需要下载一个你要训练的字体类型这里苹方为例
#!/usr/bin/python
# -*- coding: UTF-8 -*-
# 基础包：模型训练
from PIL import Image, ImageFont, ImageDraw
import constants as cs
def draw_text(img, type, text, index):
image = Image.open(img)
draw = ImageDraw.Draw(image)
font = ImageFont.truetype(type, 80)
draw.text((10, 0), unicode(text.encode('UTF-8'), 'UTF-8'), font=font, fill='#000000')
image.save('train/%s.tif' % index)
if __name__ == '__main__':
for text in cs.CHINESE_COMMON:
index = cs.CHINESE_COMMON.index(text)
draw_text('train.png', '苹方 PingFang.ttc', text, index)
拼接完的图片如下：
打开 jTessBoxEditor 工具>tools>merge tiff
merge 这些图片做成一个大的 tif 文件
全选保存为 heben.tif 文件进行训练。
剩下前文一样训练成 heben.box heben.tr... 最后修改完毕后生成一个 heben.traineddata 的文件就是一个大型字体库代码修改下去识别一些苹方字体试试。
到这里一个半人工智能的人工智障就结束了。
