tessdata：一个强大的OCR字库

发布时间：2023-05-19

一、tessdata字库

tessdata作为一个OCR（Optical Character Recognition，光学字符识别）引擎，它需要一个字库来进行字符识别。tessdata字库包含了一个主要的识别引擎和各种语言的字典数据。tessdata字库由Google公司开源并维护。在字库方面，tessdata一般分为两部分，一部分为主要的语言字典以及配置，另一部分则为语言之间的学科术语、特定算法配置以及一些其他上下文相关的字典，可自由选择性下载并进行使用。 tessdata字库的下载可通过一些网站进行下载，其中以github作为最常用最方便的方法，而且官方文档也推荐使用github进行下载。

git clone https://github.com/tesseract-ocr/tessdata.git

二、tessdata中文语言包

众所周知，tessdata支持多种语言的识别，包括中文，但中文识别过程要比英文复杂得多。中文识别需要一个符合中国特定文化特点的基础算法，即需要使用中文符号。同时，随着科技的发展，中文行文字网格处理的速度缓慢，字体复杂，需要进行各种优化来提高识别精度，所以需要下载中文语言包。 中文语言包可从github、百度云盘及一些其他网站进行下载。其中，github的语言包下载方式与字库相同，可以克隆tessdata仓库并单独下载。

git clone https://github.com/tesseract-ocr/tessdata.git

百度云盘也提供了下载链接，如下：

链接: https://pan.baidu.com/s/1ErxNPVmjXmJ70kj5-qQI9g  密码: zq2s

三、tessdata下载

tessdata的下载可从多个网站进行下载，包括官方网站、github、百度网盘等。官方网站提供了各种语言的可选供下载。github是使用尤其广泛且方便的一种下载方式。 github的下载方式已经在之前的小标题中提到了，这里再重复一下。下载tessdata需要进行以下步骤：

四、tessdata训练

tessdata的识别效果取决于它的训练效果以及字典数据的质量。一般情况下，根据预设的默认参数，tessdata的效果不一定很好。但在使用不同类型的文本时，可通过进行一些参数的优化和训练以达到更好的识别效果。 训练tessdata的大致方式是，先准备好一个大量的训练数据，并将其分类成文本图片和非文本图片。然后，通过将其转化成.tiff格式进行训练，并设定好预设参数。最后，tessdata会自动进行逐渐优化的学习过程，以达到更好的识别效果。 以下是一个简单的训练tessdata样例：

# 准备训练数据
# 生成文件列表
$ find /path/to/training/folder -name "*.jpg" > \
/path/to/training/folder/images.txt
$ find /path/to/training/folder -name "*.box" > \
/path/to/training/folder/ground-truth.txt
# 将box文件转成tiff格式
$ while read p; do
    tiffcp $p ${p/.box/.tif}
done < /path/to/training/folder/ground-truth.txt
# 生成unicharset
$ unicharset_extractor \
/path/to/training/folder/ground-truth.txt
# 生成shapetable
$ shapeclustering \
-f \
/path/to/training/folder/shapetable \
-U /path/to/training/folder/unicharset \
/path/to/training/folder/images.txt
# 生成有向无环图
$ mftraining \
-f \
/path/to/training/folder/mftraining \
-U /path/to/training/folder/unicharset \
/path/to/training/folder/images.txt
# 组合成tessdata
$ cntraining /path/to/training/folder/images.txt
$ combine_tessdata /path/to/training/folder/tessdata \
/path/to/training/folder/*.tr

五、tessdata简体中文

简体中文是目前在中国最广泛使用的一种语言文字。因为繁体字符复杂，且大陆地区使用繁体较少，所以更多的OCR系统都使用简体中文识别，其中tessdata也是。 tessdata简体中文可以从github或其他网站进行下载，百度网盘也提供了下载服务，通过以下链接获取。

链接: https://pan.baidu.com/s/1aUFapwcwcUc70HIWVCgqZw  密码: kehg

六、tessdata百度网盘

因为tessdata文件较大，下载比较耗时，所以很多人选择将文件上传到百度网盘进行分享，以便大家更方便地下载。同时，百度网盘也提供了非常快速的下载速度，具有高速下载的优势。 tessdata在百度网盘中有多个资源可供下载，包括各语种语言包、字典文件、训练数据及其他相关资源。以下为一个tessdata的百度网盘资源链接：

链接: https://pan.baidu.com/s/1s2mVt0ZP3zGMv5YGRmwxbg  密码: 5mgz

以上是关于tessdata的一些阐述，如果需要使用tessdata进行OCR相关的操作，需要进行相应的下载、训练及优化。tessdata的效果取决于数据的质量以及训练效果，如果能够进行充分的优化，tessdata的识别效果将得到更好的提高。

推荐文章