下载chi_sim.traindata字库
下载tesseract-ocr-setup-3.02.02.exe 安装到e:\Tesseract-ocr目录下
1.Tesseract-OCR的命令行使用
打开DOS界面，输入tesseract：
如果出现如上输出，表示安装正常。
下载jTessBoxEditor用于修改box文件
下载地址：http://download.csdn.net/detail/a443475601/5896893 里面自带java运行库，安装后 然后启动命令行 java -jar jTessBoxEditor.jar即可打开
为了方便 tif文面命名格式[lang].[fontname].exp[num].tif
lang是语言 fontname是字体
比如我们要训练自定义字库 chi 字体名:黑体
那么我们把tif文件重命名 chi.黑体.exp0.tif
把多个.tif文件合并成一个.tif文件
下面开始训练字库：
下面第一条命令与上图功能一样，产生.box文件
1、E:\Tesseract-ocr\tesseract.exe chi.黑体.exp0.tif chi.黑体.exp0 batch.nochop makebox
运行以上命令也会产生一个box文件。产生box文件的过程是必须的，也是最重要的，没有box文件以下的内容都无法进行。
需要记住的是生成的.box要和这个.tif文件同在一个目录下。
2、文字校正。运行jTessBoxEditor工具，打开chi.黑体.exp0.tif文件（必须将上一步生成的.box和.tif样本文件放在同一目录），如上图所示。可以看出有些字符识别的不正确，可以通过该工具手动对每张图片中识别错误的字符进行校正。校正完成后保存即可。
2、产生字符特征文件
tesseract chi.黑体.exp0.tif chi.黑体.exp0 nobatch box.train
这一步将会产生 chi.黑体.exp0.tr文件和一个 chi.黑体.exp0.txt文件,txt文件貌似没什么用，看看而以。
3、计算字符集
unicharset_extractor chi.黑体.exp0.box
这一步会产生一个unicharset字符集文件.
4、定义字体特征文件，---Tesseract-OCR3.01以上的版本在训练之前需要创建一个名称为font_properties.txt的字体特征文件
手工建立一个文件font_properties.txt
内容如：黑体 0 0 0 0 0
注意:这里 必须与训练名中的名称保持一致,填入下面内容 ,这里全取值为0，表示字体不是粗体、斜体等等。
5、聚集字符特征
1) shapeclustering -F font_properties.txt -U unicharset chi.黑体.exp0.tr 注意：如果font_properties不加扩展名.txt，可能会报错
2) mftraining -F font_properties.txt -U unicharset -O chi.unicharset chi.黑体.exp0.tr
使用上一步产生的字符集文件unicharset，来生成当前新语言的字符集文件chi.unicharset。同时还会产生图形原型文件inttemp和每个字符所对应的字符
特征数文件pffmtable。最重要的就是这个inttemp文件了，他包含了所有需要产生的字的图形原型。
3)cntraining chi.黑体.exp0.tr
这一步产生字符形状正常化特征文件normproto。
6、把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上chi.
7、执行combine_tessdata chi.
然后把chi.traineddata放到tessdata目录
必须确定的是第2、4、5、6行的数据不是-1，那么一个新的字典就算生成了.
8、用新的字库对图片进行分析
tesseract test.tif output -l chi
内容会写到output.txt文件中，这个文件与测试图片在同一个目录下
识别问题：
1、一个字分成2部分识别，如：好，会认为女 子，如何解决？？？
4.Tesseract-OCR的QA合集
A.ImageMagick是什么？
ImageMagick是一个用于查看、编辑位图文件以及进行图像格式转换的开放源代码软件套装
我在这里之所以提到ImageMagick是因为某些图片格式需要用这个工具来转换。
B.Leptonica 是什么？
Leptonica 是一图像处理与图像分析工具，tesseract依赖于它。而且不是所有的格式(如jpg)都能处理，所以我们需要借助imagemagick做格式转换。
Here's a summary of compression support and limitations:
- All formats except JPEG support 1 bpp binary.
- All formats support 8 bpp grayscale (GIF must have a colormap).
- All formats except GIF support 24 bpp rgb color.
- All formats except PNM support 8 bpp colormap.
- PNG and PNM support 2 and 4 bpp images.
- PNG supports 2 and 4 bpp colormap, and 16 bpp without colormap.
- PNG, JPEG, TIFF and GIF support image compression; PNM and BMP do not.
- WEBP supports 24 bpp rgb color.
C.提高图片质量?
识别成功率跟图片质量关系密切，一般拿到后的验证码都得经过灰度化，二值化，去噪，利用imgick就可以很方便的做到．
convert -monochrome foo.png bar.png #将图片二值化
D.我只想识别字符和数字？
结尾仅需要加digits
命令实例：tesseract imagename outputbase digits
E.训练你的tesseract
不得不说，tesseract英文识别率已经很不错了(现有的tesseract-data-eng）,但是验证码识别还是太鸡肋了。但是请别忘记，tesseract的智能识别是需要训练的．
F.命令执行出现empty page!!错误
严格来说，这不是一个bug(tesseract 3.0),出现这个错误是因为tesseract搞不清图像的字符布局
训练时出现的问题
错误1：
编译下面两句的时候
shapeclustering -F font_properties -U unicharset eng.timesitalic.exp0.tr
mftraining -F font_properties -U unicharset -O eng.unicharset eng.timesitalic.exp0.tr
出现错误： No shape table file present: shapetable Reading num.tr …Font id = -1/0, class id = 1/13 on sample 0font_id >= 0 && font_id < font_id_map_.SparseSiz
..\..\classify\trainingsampleset.cpp, line 622
原因：主要出在font_properties.txt这个文件的配置上。
内容为：黑体 0 0 0 0 0 正确