Tesseract OCR - 繁體中文【簡易識別篇】
GitHub
Tesseract OCR：tesseract-ocr/tesseract: Tesseract Open Source OCR Engine (main repository) (github.com)
Tesseract User Manual：Tesseract User Manual | tessdoc (tesseract-ocr.github.io)
How to train LSTM Tesseract：tessdoc/TrainingTesseract-5.md at main ·tesseract-ocr/tessdoc (github.com)
- 作業系統：win10
- 版本訊息-命令提示字元(CMD)
C:\Users\user>tesseract --version
tesseract v5.0.1.20220118
leptonica-1.78.0
libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.5.3) : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11 : libwebp 0.6.1 : libopenjp2 2.3.0
Found AVX2
Found AVX
Found FMA
Found SSE4.1
Found libarchive 3.5.0 zlib/1.2.11 liblzma/5.2.3 bz2lib/1.0.6 liblz4/1.7.5 libzstd/1.4.5
Found libcurl/7.77.0-DEV Schannel zlib/1.2.11 zstd/1.4.5 libidn2/2.0.4 nghttp2/1.31.
一、簡單OCR識別
tesseract imagename outputbase [-l lang] [--oem ocrenginemode] [--psm pagesegmode] [configfiles...]
1、開啟命令提示字元(cmd)，進入到要識別的圖片的路徑下
cd 圖片路徑
2、tesseract 【預識別圖片之名稱】【生成的結果文件的名稱】-l【字庫】
- -l :選擇輸入語言/ 預設是英文 default “eng”
tesseract test.jpg result -l chi_tra 3、產生result.txt文件
二、使用一種語言
-l LANG
- LANG是三個英文字母組成的代表各種語言
- 可以在命令提示字元輸入tesseract --list-langs來查看目前有什麼語言可以選擇
三、使用多種語言
-l LANG[+LANG]
- 舉例(繁體中文+英文)：tesseract test.jpg result -l chi_tra+eng
- 根據語言的順序，輸出可能會有所不同例如：chi_tra+eng 和 eng+chi_tra
tesseract使用方式
Usage
命令提示字元(cmd)：tesseract --helptesseract --help-extratesseract --versiontesseract --list-langs
- tesseract imagename outputbase[-l lang] [--oem ocrenginemode] [--psm pagesegmode] [configfiles...]
使用不同的頁面分割模式
Page segmentation modes
tesseract test.jpg result -psm 6 -l chi_tra
0 僅限方向和腳本檢測 (OSD)。
1 帶有 OSD 的自動頁面分割。
2 自動頁面分割，但沒有 OSD 或 OCR。
3 全自動分頁，但無OSD。 （默認）
4 假設有一列大小可變的文本。
5 假設有一個統一的垂直對齊文本塊。
6 假設有一個統一的文本塊。(網路上教學常用)
7 將圖像視為單個文本行。
8 將圖像視為一個詞。
9 將圖像視為圓圈中的單個單詞。
10 將圖像視為單個字符。
OCR 引擎
OCR Engine modes
tesseract test.jpg result -oem 1 -l chi_tra
0 Legacy engine only.
1 Neural nets LSTM engine only.
2 Legacy + LSTM engines.
3 Default, based on what is available.
參考資料
Command Line Usage：Command Line Usage | tessdoc (tesseract-ocr.github.io)
為什麼會看到廣告
留言
留言分享你的想法！
你可能也想看
Google News 追蹤
空單爆天量、技術指標超賣、情緒恐慌到極致：美股嘎空行情有機會啟動嗎？
重點摘要：
技術面極度超賣，反彈條件醞釀中，但尚未明確止穩
SPY 與 QQQ 的重要指標，如MACD、KDJ、RSI等指標進入極端超賣區，但尚未出現底部鈍化或明確反轉訊號，技術面仍屬空方主導。
連續出現跳空缺口，空方動
全新 vocus 挑戰活動「方格人氣王」來啦～四大挑戰任你選，留言 / 愛心 / 瀏覽數大 PK，還有新手專屬挑戰！無論你是 vocus 上活躍創作者或剛加入的新手，都有機會被更多人看見，獲得站上版位曝光＆豐富獎勵！🏆
Tesseract 是一個開源的光學字符識別 (OCR) 引擎，可通過自定義訓練來改進對特定字體或語言的識別。
以下是一份基於 tesstrain 工具，並針對 Windows CMD 的完整 Tesseract 5 訓練教學。將利用官方提供的ocrd-testset.zip來做示範
前置
本文詳細探討了Tesseract的box定義。經驗分享釐清了Tesseract與cv2.rectangle的座標差異，解釋了怎樣使用JTessBoxEditor進行框的驗證。透過範例，讀者將瞭解如何正確設置字符的bounding box，並學會轉換OCR座標為Tesseract所需格式
以下是如何使用 Tesseract OCR 來辨識圖像中的文字的教學。
涵蓋了安裝 Tesseract、基本使用方法，以及如何在 Python 中進行整合。
1. 安裝 Tesseract
首先，需要安裝 Tesseract OCR 工具。這裡提供針對 Windows、macOS 和 Linu
本文將實測，使用同一組圖像，用不同的OCR模型來辨識看成效如何，主要介紹如何從資料夾中，讀取圖片檔中的檔名來比對tesseract OCR的結果是否一致，若結果不同就記錄其錯誤位置及次數，統計最後的誤判率及誤判字的總次數。
圖片檔中的檔名由事先整理出正確結果，比對OCR模型用。
在Tesseract的討論論壇中看到一篇文章，有人研究tesseract在文字高度在30~33pixl~內辨識率是最佳的。
本文就將來實作看看，拿出之前實驗用的OCR圖檔來跑跑看。
實驗內容
縮放與不縮放的圖片在tesseract OCR結果比較
圖片縮放流程
先讀取圖片中OCR的高度，取
在tesseract-ocr辨識應用中，建議的留白邊框為10pixl，若Label列印的太剛好，沒有任何的邊框時，就會辨識不到文字。
本文將帶大家如何讓圖像增加邊框。
結果圖
示意的比較誇張，我讓邊框增加100pixl，圖片大小原為211*80。
微調(Fine tune)是深度學習中遷移學習的一種方法，其中預訓練模型的權重會在新數據上進行訓練。
本文主要介紹如何使用新的訓練圖檔在tesseract 辨識模型進行Fine tune
有關於安裝的部分可以參考友人的其他文章
Tesseract OCR - 繁體中文【安裝篇】
將所有資料
在本文中，我們將瞭解如何將掃描的PDF轉換為可搜索文本，並高效管理和查找文件。探索先進的OCR技術如何提升文檔處理效率。
空單爆天量、技術指標超賣、情緒恐慌到極致：美股嘎空行情有機會啟動嗎？
重點摘要：
技術面極度超賣，反彈條件醞釀中，但尚未明確止穩
SPY 與 QQQ 的重要指標，如MACD、KDJ、RSI等指標進入極端超賣區，但尚未出現底部鈍化或明確反轉訊號，技術面仍屬空方主導。
連續出現跳空缺口，空方動
全新 vocus 挑戰活動「方格人氣王」來啦～四大挑戰任你選，留言 / 愛心 / 瀏覽數大 PK，還有新手專屬挑戰！無論你是 vocus 上活躍創作者或剛加入的新手，都有機會被更多人看見，獲得站上版位曝光＆豐富獎勵！🏆
Tesseract 是一個開源的光學字符識別 (OCR) 引擎，可通過自定義訓練來改進對特定字體或語言的識別。
以下是一份基於 tesstrain 工具，並針對 Windows CMD 的完整 Tesseract 5 訓練教學。將利用官方提供的ocrd-testset.zip來做示範
前置
本文詳細探討了Tesseract的box定義。經驗分享釐清了Tesseract與cv2.rectangle的座標差異，解釋了怎樣使用JTessBoxEditor進行框的驗證。透過範例，讀者將瞭解如何正確設置字符的bounding box，並學會轉換OCR座標為Tesseract所需格式
以下是如何使用 Tesseract OCR 來辨識圖像中的文字的教學。
涵蓋了安裝 Tesseract、基本使用方法，以及如何在 Python 中進行整合。
1. 安裝 Tesseract
首先，需要安裝 Tesseract OCR 工具。這裡提供針對 Windows、macOS 和 Linu
本文將實測，使用同一組圖像，用不同的OCR模型來辨識看成效如何，主要介紹如何從資料夾中，讀取圖片檔中的檔名來比對tesseract OCR的結果是否一致，若結果不同就記錄其錯誤位置及次數，統計最後的誤判率及誤判字的總次數。
圖片檔中的檔名由事先整理出正確結果，比對OCR模型用。
在Tesseract的討論論壇中看到一篇文章，有人研究tesseract在文字高度在30~33pixl~內辨識率是最佳的。
本文就將來實作看看，拿出之前實驗用的OCR圖檔來跑跑看。
實驗內容
縮放與不縮放的圖片在tesseract OCR結果比較
圖片縮放流程
先讀取圖片中OCR的高度，取
在tesseract-ocr辨識應用中，建議的留白邊框為10pixl，若Label列印的太剛好，沒有任何的邊框時，就會辨識不到文字。
本文將帶大家如何讓圖像增加邊框。
結果圖
示意的比較誇張，我讓邊框增加100pixl，圖片大小原為211*80。
微調(Fine tune)是深度學習中遷移學習的一種方法，其中預訓練模型的權重會在新數據上進行訓練。
本文主要介紹如何使用新的訓練圖檔在tesseract 辨識模型進行Fine tune
有關於安裝的部分可以參考友人的其他文章
Tesseract OCR - 繁體中文【安裝篇】
將所有資料
在本文中，我們將瞭解如何將掃描的PDF轉換為可搜索文本，並高效管理和查找文件。探索先進的OCR技術如何提升文檔處理效率。