原文：
tesseract，一款由hp實驗室開發由google維護的開源ocr（optical character recognition , 光學字元識別）引擎，與microsoft office document imaging（modi）相比，我們可以不斷的訓練的庫，使影象轉換文字的能力不斷增強；如果團隊深度需要，還可以以它為模板，開發出符合自身需求的ocr引擎。
原始碼位址為：
接下來，我們將在windows環境下安裝tesseract並實現簡單的轉換和訓練：
1、tesseract實現
大體流程：tesseract安裝 -> 開啟命令列 -> 生成目標檔案
tesseract安裝
開啟命令列
開啟命令列，輸入tesseract，回車；以下便是tesseract的大體面貌：
生成目標檔案
先準備一張檔案，如test.png
將命令列切換至目標影象檔案目錄，比如我們轉換檔案為test.png（檔案允許多種格式），位於c:\users\lian\desktop\test；然後在命令列中輸入
tesseract test.png output_1 –l eng
【語法】: tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile…]
imagename為目標檔名，需加格式字尾；outputbase是轉換結果檔名；lang是語言名稱（在tesseract-ocr中tessdata資料夾可看到以eng開頭的語言檔案eng.traineddata），如不標-l eng則預設為eng。
開啟檔案output_1.txt，發現tesseract成功的將影象轉換成152408。
可喜可賀，說明老牌名將tesseract還是很強的！但是還是有點不夠準確，那麼我們有沒有什麼辦法能提高tesseract識別字元準確率呢？接下來，我們將使用配套訓練工具jtessboxeditor來訓練樣本，來提高我們的準確率！
2、tesseract訓練：
大體流程為：安裝jtessboxeditor -> 獲取樣本檔案 -> merge樣本檔案 –> 生成box檔案 -> 定義字元配置檔案 -> 字元矯正 -> 執行批處理檔案 -> 將生成的traineddata放入tessdata中
安裝jtessboxeditor
獲取樣本檔案
merge樣本檔案
開啟jtessboxeditor，tools->merge tiff，將樣本檔案全部選上，並將合併檔案儲存為num.font.exp0.tif
生成box檔案
開啟命令列並切換至num.font.exp0.tif所在目錄，輸入，生成檔名為num.font.exp0.box
tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox
【語法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox
lang為語言名稱，fontname為字型名稱，num為序號；在tesseract中，一定要注意格式。
定義字元配置檔案
在目標資料夾內生成乙個名為font_properties的文字檔案，內容為
font 0 0 0 0 0
【語法】：
fontname為字型名稱，italic為斜體，bold為黑體字，fixed為預設字型，serif為襯線字型，fraktur德文黑字型，1和0代表有和無，精細區分時可使用。
字元矯正
開啟jtessboxeditor，box editor -> open，開啟num.font.exp0.tif；矯正上的字元，記得有好多頁噢！
修改後記得儲存。
執行批處理檔案
在目標目錄下生成乙個批處理檔案
複製**
rem 執行改批處理前先要目錄下建立font_properties檔案
echo run tesseract for training..
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train
echo compute the character set..
unicharset_extractor.exe num.font.exp0.box
mftraining -f font_properties -u unicharset -o num.unicharset num.font.exp0.tr
echo clustering..
cntraining.exe num.font.exp0.tr
echo rename files..
rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable
echo create tessdata..
combine_tessdata.exe num.
echo. & pause
複製**
儲存後執行即可，執行結果如圖：
最終資料夾內會有以下檔案，如圖：
將生成的traineddata放入tessdata中
最後將num.trainddata複製到tesseract-ocr中tessdata資料夾即可。
3、最後的測試
按照之前步驟，使用命令列輸入
tesseract test.png output_2 -l num
我們可以看到新生成的檔案output_2的內容為762408，內容完全正確。細心的人會發現，最後一句指令，我們使用了指令[-l num]而不是[-l eng]。這說明，最後一次轉換我們使用的是新生成的num語言的匹配庫而不是預設的eng語言匹配庫。
Tesseract OCR引擎 入門
ocr optical character recognition 光學字元識別,是指對檔案中的文字進行分析識別，獲取的過程。tesseract 開源的ocr識別引擎，初期tesseract引擎由hp實驗室研發，後來貢獻給了開源軟體業，後經由google進行改進，消除bug，優化，重新發布。當前版本...
Tesseract OCR引擎 入門
ocr optical character recognition 光學字元識別,是指對檔案中的文字進行分析識別，獲取的過程。tesseract 開源的ocr識別引擎，初期tesseract引擎由hp實驗室研發，後來貢獻給了開源軟體業，後經由google進行改進，消除bug，優化，重新發布。當前版本...
Tesseract OCR引擎 入門
ocr optical character recognition 光學字元識別,是指對檔案中的文字進行分析識別，獲取的過程。tesseract 開源的ocr識別引擎，初期tesseract引擎由hp實驗室研發，後來貢獻給了開源軟體業，後經由google進行改進，消除bug，優化，重新發布。當前版本...