Mac使用pytesseract识别百度指数图片,并训练提高其准确率

参考文章1

1、安装tesseract ocr引擎和jTessBoxEditor

a、使用HomeBrew进行安装

#1.这是个安装HomeBrew
ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"
#2安装tesseract
brew install tesseract

由于我们需要进行训练提高识别的准确率,所有使用下面的安装命令,主要如果先前已经安装了先执行brew uninstall tesseract,然后执行下面命令

brew install --with-training-tools tesseract

b、安装jTessBoxEditor的安装
下载地址,由于该工具依赖于java环境,所以需要安装java环境。使用brew cask安装java8环境

brew tap caskroom/versions
brew cask install java8

2、开始训练

a、首先将.png格式的图片转换为.tif格式,
b、将.tif格式的文件进行合并,打开jTessBoxEditor.jar,然后点菜单上的Tool->Merge TIFF ,主要命名使用官方推荐。官网的写法是这样的

[lang].[fontname].exp[num].tif 
[lang]是语言,随便起,这里的叫sll 
[fontname]是字体,随便起,这里叫 normal 
[num]我也不知道啥意思,写的是数字0 
这两个都是自定义的,后面会用到,所以要记住。

我这里取名为eng.num.exp0.tif

0C7CA992-DF20-4FCB-908D-2C6B180C2C64.png

c、生成.box文件,用来纠正字体识别的错误
使用如下命令,就会在同一目录下面生成一个.box文件夹

tesseract eng.num.exp0.tif eng.num.exp0 -l eng batch.nochop makebox

d、使用jTessBoxEditor打开进行,对识别结果进行修改,然后保存,如下图

E7D66AD2-DC02-45C6-87D0-6215FD82E348.png

e、编写.sh脚本进行训练,脚本如下:

#!/bin/sh
read -p "输入你语言:" lang
echo ${lang}
read -p "输入你的字体:" font
echo ${font}
echo "所以完整文件名为:"
echo ${lang}.${font}.exp0.tif
echo "开始。。。"
echo ${font} 0 0 0 0 0 >font_properties
tesseract  ${lang}.${font}.exp0.tif ${lang}.${font}.exp0  nobatch box.train
unicharset_extractor ${lang}.${font}.exp0.box
shapeclustering -F font_properties -U unicharset ${lang}.${font}.exp0.tr
mftraining -F font_properties -U unicharset -O unicharset ${lang}.${font}.exp0.tr
cntraining ${lang}.${font}.exp0.tr
echo "开始重命名文件"
mv inttemp ${font}.inttemp
mv normproto ${font}.normproto
mv pffmtable ${font}.pffmtable
mv shapetable ${font}.shapetable
mv unicharset ${font}.unicharset
echo "生成最终文件"
combine_tessdata ${font}.
echo "完成"

执行脚本后,生成文件如下

394C6559-F176-4344-A1BB-0529A1701897.png

最后将num.traineddata复制到到/usr/local/Cellar/tesseract/3.05.00/share/tessdata目录当中,就可以使用了。使用tesseract --list-langs来查看支持的类型,使用如下

from PIL import Image
import pytesseract
import os
import re
import fnmatch



def recognize_Image(fileName=None):
    img = Image.open(fileName)
    # img = img.convert('L') 二值化
    code = pytesseract.image_to_string(img,lang='num')

    code = ''.join(re.findall('\d+',code))
    print(code)
    return code
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 151,829评论 1 331
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 64,603评论 1 273
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 101,846评论 0 226
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 42,600评论 0 191
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 50,780评论 3 272
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 39,695评论 1 192
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,136评论 2 293
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,862评论 0 182
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 33,453评论 0 229
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,942评论 2 233
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,347评论 1 242
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,790评论 2 236
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,293评论 3 221
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,839评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,448评论 0 181
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 34,564评论 2 249
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 34,623评论 2 249

推荐阅读更多精彩内容