参考：https://groups.google.com/forum/#!msg/tesseract-ocr/MSYezIbckvs/kO1VoNKMDMQJ
V4版本代码示例 ：
import pytesseract from PIL import Image as img text = pytesseract.image_to_string(img.open('src2B1.jpg'), lang='teld+chi_sim', config='--psm 3 --oem 1') print(text.replace('”', ''))
合并识别结果
在实际使用 tesseract-orc 识别库的时候，初次制作的识别库很有可能识别率不太理想，需要后期慢慢补充。将多个修正过的box文件合并成一个识别库。
- 首先，需要图片样本.tif文件，位置文件.box ,只要有这两个文件在，就可以合并字典
假设已存在如下样品图片和修正过的box文件：
- image.font.1.tif image.font.1.box
- image.font.2.tif image.font.2.box
- image.font.3.fit image.font.3.box
1、先生成相对应的 .tr 文件
- tesseract image.font.1.tif image.font.1 nobatch box.train
- tesseract image.font.2.tif image.font.2 nobatch box.train
- tesseract image.font.3.tif image.font.3 nobatch box.train
2、提取字符
- unicharset_extractor image.font.1.box image.font.2.box image.font.3.box
3、生成字体特征文件
- echo image 0 0 0 0 0 >font_propertiesfont
4、执行如下命令
- mftraining -F font -U unicharset image.font.1.tr image.font.2.tr image.font.3.tr
5、聚集所有.tr 文件
- cntraining image.font.1.tr image.font.2.tr image.font.3.tr
6、重命名文件
- unicharset
- inttemp
- normproto
- pfftable
- shapetable
7、合并所有文件 生成一个大的字库文件
- combine_tessdata image.
示例代码：
/*生成box文件*/
/*tesseract teld.shz.exp0.tif teld.shz.exp0 -l chi_sim --psm 3 --oem 1 batch.nochop makebox*/
tesseract teld.shz.exp0.tif teld.shz.exp0 -l chi_sim batch.nochop makebox
/*生成font_properties文件*/
echo shz 0 0 0 0 0 >font_properties
/*生成.tr训练文件*/
tesseract teld.shz.exp0.tif teld.shz.exp0 nobatch box.train
/*生成字符集文件*/
unicharset_extractor teld.shz.exp0.box
/*生成shape文件*/
shapeclustering -F font_properties -U unicharset teld.shz.exp0.tr
/*生成聚字符特征文件*/
mftraining -F font_properties -U unicharset teld.shz.exp0.tr
/*生成字符正常化特征文件*/
cntraining teld.shz.exp0.tr
/*文件重命名*/
rename normproto teld.normproto
rename inttemp teld.inttemp
rename pffmtable teld.pffmtable
rename shapetable teld.shapetable
rename unicharset teld.unicharset
/*合并训练文件*/
combine_tessdata teld.
参考资料