---
GA: G-FFF1L2PEEZ
---
# Tesseract 使用＆安裝＆訓練
## 簡單驗證碼去噪 灰度二值化
###### tags: `python` `tessract` `辨識文字`
2024更新 : 剛好在上大型語言模型實作初階課程，可結合 RPA 工具，串接至 LINE 平台，實現上傳健檢報告自動執行文字掃描，並根據狀況回傳有趣的圖片。
<!-- 
-->
OpenCV 處理圖片雜訊方式：
NYCU 資料科學軟體 2024 Week10: OpenCV & skimage
https://www.youtube.com/live/d1fz8nvAkOM?si=DG0n8ZCvNSiGmgXk
---
> [TOC]
:::info
>無意間找到網址是固定的 教育部某平台之簡易驗證碼
> 雖然可以爬好幾10xxx張，但是看了資訊安全政策可能會被 ban
> 所以弄了一個驗證碼產生器，自製訓練庫，
> 好處是可自定義驗證碼形式，本機端即可儲存圖片。
實際操作畫面如下：
簡單的製作驗證碼範例：
https://ithelp.ithome.com.tw/articles/10159457
> 人工智慧課堂企劃報告後，老師說明有 OCR 這個目前由 Google 維護的識別引擎，用途為可辨識掃描的文件/圖片中的文字
> 老師提供實務上業界的需求，可應用在掃描健檢報告數據，存入資料庫。
**實做起來遇到一些問題微調操作**
**所以做個紀錄有了這篇筆記整理** :page_facing_up:
:::
> [name=wa.__.wa]
> [人工智慧應用課程](http://120.108.221.55/PROFCHWU/dctai/index.php)
> [TOC]
## 安裝 Tessract / 語言包：
> `homebrew install tesseract-lang`
https://formulae.brew.sh/formula/tesseract-lang
語言包一次打包/ 需要的再匯入
/usr/local/Cellar/tesseract/4.x/share/tessdata
> `homebrew install tesseract `
https://formulae.brew.sh/formula/tesseract
## 編譯安裝問題：
```
Error: invalid option: --with-training-tools
```
要安裝訓練模型時，發現 tesseract
最新4.x版本 homebrew 沒有訓練模型相關指令
撰寫文章當下根據網路文章
找到了解決方法需自行編譯 build,make install
**參考下列文章（感謝文章作者）：**
https://juejin.im/post/6844904097863188487
## 可下載 `python` 的對應模組：
```python
pip install pytesseract
```
並搭配 pillow opencv numpy
詳細教學： https://lufor129.medium.com/pytesseract-辨識圖片中的文字-b1024f678fac
https://blog.csdn.net/huitailangyz/article/details/80390090
## 查看安裝版本：
```python
tesseract 4.1.1
leptonica-1.80.0
libgif 5.2.1 : libjpeg 9d : libpng 1.6.37
: libtiff 4.1.0 : zlib 1.2.11 : libwebp 1.1.0 : libopenjp2 2.3.1
Found AVX2
Found AVX
Found FMA
Found SSE
```
## 參數設定：
列出可使用的語言包
`tesseract --list-langs`
* chi_tra 繁體
* chi_tra_vert 繁體，直排
`tesseract -l test.png test`
-l :選擇輸入語言/ 預設是英文 default “eng”
---
### OEM
* --oem ： OCR Engine modes, 演算法類型 / 目前沒了解這塊用預設
```
tesseract --help-oem
OCR Engine modes:
0 Legacy engine only.
1 Neural nets LSTM engine only.
2 Legacy + LSTM engines.
3 Default, based on what is available.
```
```htmlembedded
參考文章解釋
为了识别包含单个字符的图像，我们通常使用卷积神经网络(CNN)。任意长度的文本是一系列字符，这类问题可以通过RNNs解决，LSTM是RNN的一种常用形式
```
---
--psm : 判別語句類型模式 / 大陸翻譯：自动页面分割模式
* 0：定向脚本监测（OSD）
* 1： 使用OSD自动分页
* 2 ：自动分页，但是不使用OSD或OCR
* 3 ：全自动分页，但是没有使用OSD（默认）
* 4 ：假设可变大小的一个文本列。
* 5 ：假设垂直对齐文本的单个统一块。
* 6 ：假设一个统一的文本块。
- [x] 7 ：將圖片視為一行文字句子。
- [x] 8 ：將圖片視為一個『單字』。
- [x] 9 ：將圖像視為『環狀字』。
- [x] 10 ：將圖片視為一個『字母』。
參數不懂的沿用參考文章簡體中文翻譯
PSM 參數詳細說明：
https://pyimagesearch.com/2021/11/15/tesseract-page-segmentation-modes-psms-explained-how-to-improve-your-ocr-accuracy/
## 測試
> 執行畫面：
簡易驗證碼：
較複雜驗證碼：
登入系統驗證碼
線條干擾誤判斷成 - 符號
## 預先處理圖片 / 提升辨識度
再來就是要測試一些更難辨識的照片跟訓練了
官方文檔解釋：
https://tesseract-ocr.github.io/tessdoc/ImproveQuality.html#image-processing
每個Image都有不同的標記，
需要乾淨能夠辨識標記的物件
OpenCV 套件預先處理圖片
辨識原則：
* 至少為300 DPI為最佳
* 白底黑字，字體清晰
* 去噪，灰度圖二值化
轉灰度方式：
mode 可為下列幾種
<!-- 其中常用到的為 L,1
imgry.mode
binary.mode -->
```python
· 1 (1-bit pixels, black and white, stored with one pixel per byte)
· L (8-bit pixels, black and white)
· P (8-bit pixels, mapped to any other mode using a colour palette)
· RGB (3x8-bit pixels, true colour)
· RGBA (4x8-bit pixels, true colour with transparency mask)
· CMYK (4x8-bit pixels, colour separation)
· YCbCr (3x8-bit pixels, colour video format)
· I (32-bit signed integer pixels)
· F (32-bit floating point pixels)
```
opencv 辨識教學 :
https://lufor129.medium.com/pytesseract-辨識圖片中的文字-b1024f678fac
常見錯誤：
https://zhuanlan.zhihu.com/p/35590364
套件記得載
```python
# opencv 方式讀取圖檔轉灰度
imgcv = cv2.imread('CaptchaImage.jpg', cv2.IMREAD_GRAYSCALE)
type(imgcv)
cv2.imshow('CaptchaImage', imgcv)
cv2.imwrite('output/gray05.tiff', imgcv)
cv2.waitKey(0)
cv2.destroyAllWindows()
```
<!--
cv2.threshold 常用參數
1. cv2.THRESH_BINARY（黑白兩值）
2. cv2.THRESH_BINARY_INV（黑白二值反轉）
3. cv2.THRESH_TRUNC （得到的圖像為多像素值）
尚待釐清 多像素值定義
-->
灰度轉二值化(去噪):
```python
print 'binary mode: ', binary.mode
print binary.getpixel((0, 0))
co = binary.getcolors()
print co
#輸出
----------------------------------------
binary mode: 1
0 #左上角為黑色
[(503, 0), (1993, 1)]
共有幾個黑與白像素點
```
判斷文字位置：
https://youtu.be/6DjFscX4I_c?t=502
訓練文字辨識，手動標註｜工人智慧的力量
## jTessBoxEditor / VietOCR-4.5
### 安裝
下載位置：
https://sourceforge.net/projects/vietocr/
軟體資訊：
## 使用語法總覽
```bash=
Usage:
tesseract --help | --help-extra | --version
tesseract --list-langs
tesseract imagename outputbase [options...] [configfile...]
OCR options:
-l LANG[+LANG] Specify language(s) used for OCR.
NOTE: These options must occur before any configfile.
Single options:
--help Show this help message.
--help-extra Show extra help for advanced users.
--version Show version information.
--list-langs List available languages for tesseract engine.
```
```python=
Page segmentation modes:
0 Orientation and script detection (OSD) only.
1 Automatic page segmentation with OSD.
2 Automatic page segmentation, but no OSD, or OCR. (not implemented)
3 Fully automatic page segmentation, but no OSD. (Default)
4 Assume a single column of text of variable sizes.
5 Assume a single uniform block of vertically aligned text.
6 Assume a single uniform block of text.
7 Treat the image as a single text line.
8 Treat the image as a single word.
9 Treat the image as a single word in a circle.
10 Treat the image as a single character.
11 Sparse text. Find as much text as possible in no particular order.
12 Sparse text with OSD.
13 Raw line. Treat the image as a single text line,
bypassing hacks that are Tesseract-specific.
OCR Engine modes:
0 Legacy engine only.
1 Neural nets LSTM engine only.
2 Legacy + LSTM engines.
3 Default, based on what is available.
Single options:
-h, --help Show minimal help message.
--help-extra Show extra help for advanced users.
--help-psm Show page segmentation modes.
--help-oem Show OCR Engine modes.
-v, --version Show version information.
--list-langs List available languages for tesseract engine.
--print-parameters Print tesseract parameters.
```
未完待續，下方整理了一些相關文章，有興趣的同學可以參考。
#### 實用文章：
Python爬蟲結合辨識圖片文字
>https://medium.com/@kaojia/資料分析-python爬蟲專案實作-辨識圖片文字-驗證碼-pytesseract套件-43e7adb29316
此篇文章作者有一系列影像辨識/深度學習教學文章值得細讀
> https://vocus.cc/salon/crab
[OCR_應用]Tesseract-OCR_Config說明
https://vocus.cc/tags/Tesseract
[ 實用心得 ] Tesseract-OCR
> [https://medium.com/@b98606021/實用心得-tesseract-ocr](https://medium.com/@b98606021/實用心得-tesseract-ocr-eef4fcd425f0)
mac上文字识别(Tesseract-OCR for mac )
>https://blog.csdn.net/u010670689/article/details/78374623
OpenCV-Python Tutorials document & tutorial
> [Image Thresholding](https://opencv24-python-tutorials.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_thresholding/py_thresholding.html#thresholding)
使用Tesseract训练lang文件并OCR识别集装箱号
> https://www.jianshu.com/p/5f847d8089ce
python 读取、保存、二值化、灰度化图片+opencv处理图片的方法
>https://blog.csdn.net/JohinieLi/article/details/69389980
设置白名单:让tesseract-OCR只识别指定内容
> tessdata/configs/digits 沒找到
> https://blog.csdn.net/ADebugMan/article/details/100592200
### 檔案放置區:
組員分工：我負責程式.夥伴負責繪圖
>[Tesseract-OCR 辨識＆ 驗證碼分析及實作](https://medium.com/mr-wang/文字辨識實作及逆向解析-e42078f50916)
000webhost 提供免費虛擬主機服務 (支援 PHP)(網站也不會內置其他廣告)，當初臨時架站使用驗證碼用途找到的，但太久沒流量會砍站的樣子(某年某天查看掛了)
### 實際圖片辨識：
https://linevoom.line.me/user/_dZzGNZLRzW9RJ1tQUGgcLuD1WYPEsedKzf9Jbjo
部署到 Heroku 串接 Line Bot
https://www.heroku.com
數ㄕㄨˇ數ㄕㄨˋ鼠叔叔 (掛了)
2024 可以換成 Render.com 架站
https://linevoom.line.me/user/_dZzGNZLRzW9RJ1tQUGgcLuD1WYPEsedKzf9Jbjo
4! 8!
:::spoiler 4! = 24 ~~所以辨識錯了~~
<!--
:::info
感謝你的閱讀，如果有任何內容錯誤可以留言編輯修正
也歡迎點擊下方連結瀏覽我的社群平台
HackMD : https://hackmd.io/@DCT
Wa.01 Blog : https://wastu01.github.io/
Medium : https://medium.com/mr-wang
Coderbridge : [https://index.coderbridge.io](https://index.coderbridge.io)
::: -->
Sign in with Wallet
Connect another wallet