做课题的时候,用tesseract-ocr进行字符识别时,有官方提供的字库,但这些字库并不能满足我们所有的需求,例如手写字体以及一些其他的字体。tesseract提供的字库中没有我们相应的字体时,就会出现识别错误的问题,这个时候就需要训练自己的字库进行训练了。
1.准备训练图片,并且制作tif格式
字库的训练图片格式最好是png的,注意图片数字周围的空白区域不能太窄,tesseract无法识别空白区域太窄的字符。
将上面的图片放到一个D:\jesdor目录下(自己可以命名)新建的文件夹下,在D:\jesdor目录下有一个jTessBoxEditor.jar的java文件,这个文件需要用java虚拟机打开,电脑上配置了java环境就可以直接打开。
选择 Tools -> Merge TIFF,打开对话框,选择训练样本所在文件夹,并选中所有要参与训练的样本图片,注意对话框中“文件类型”的选取,选择所有的图片文件。
选择好了后,点击打开按钮,出现文件保存对话框,输入文件名:num_1.font.exp0.tif
正确进行上述步骤后会出现merge完成的提示
然后在图片集那个文件目录下会出现生成的这个tif文件
2. 使用tesseract生成.box文件
打开命令提示符,进入步骤2生成的num_1.font.exp0.tif文件所在目录
然后执行命令:tesseract num_1.font.exp0.tif num_1.font.exp0 –l eng batch.nochop makebox
执行完成后,会在当前目录下生成num_1.font.exp0.box文件。
使用jTessBoxEditor调整.box训练文件
.box文件中记录了每个字符在图片上的位置以及识别出的内容,训练之前需要使用jTessBoxEditor调整字符的位置和内容。
打开 jTessBoxEditor ,点击 Box Editor -> Open ,打开步骤2中生成的 “num_1font.exp0.tif” ,会自动关联到 “num_1.font.exp0.box” 文件:
打开完成后,每一个会显示每一张图片的的识别结果
接下来我们对每张图片的识别字符和识别框进行纠正,如果字符识别错了,我们就改成正确的,如果识别出现偏差,我们也要进行调整。
这个过程是非常重要的,字符框的好坏取决于方框是否调整的准确。
我们把所有图片的全部纠正完。
点击save按钮,将校正后的box文件保存。
3.使用echo命令创建字体特征文件
在命令符窗口中输入如下命令:echo font 0 0 0 0 0>font_properties
执行完成之后,在当前文件夹下生成font_properties文件
也可以手动在该文件夹下建立一个名为 “font_properties” 的文件,这个文件没有后缀名称,输入内容 “font 0 0 0 0 0” , 表示字体 font 的粗体、倾斜等共计5个属性全都设置为0
4. 使用tesseract生成num_1.font.exp0.tr训练文件
在命令行窗口中输入命令: tesseract num_1.font.exp0.tif num_1.font.exp0 nobatch box.train
生成训练文件成功
5.生成字符集文件
在命令行中执行如下命令: unicharset_extractor num_1.font.exp0.box
执行之后在当前目录生成unicharset文件
6. 生成数据字典
在命令行中先执行如下命令: mftraining -F font_properties -U unicharset -O num_1.unicharset num_1.font.exp0.tr
接着执行另外一个训练命令:cntraining num_1.font.exp0.tr
会在当前目录下生成 4 个文件(inttemp、pffmtable、normproto、shapetable)
需要手动修改名称,这里我们修改成num_1.inttemp、num_1.pffmtable、num_1.normproto、num_1.shapetable。
7.合并数据文件,生成字库文件
在命令提示符中执行如下命令:combine_tessdata num_1.
生成字库文件成功,会在当前目录生成num_1.traineddata文件,这个语言就是跟我们下载的官方字库一样,例如eng,chi_sim一样,不过这个字库专门用于识别图片中那种数字字体。
我们把这个字库num_1放到tesseract-ocr的tessdata目录下D:\jTessBoxEditor\tesseract-ocr\tessdata
8.验证生成的语言包字库
输入命令:tesseract --list-langs
可以看到语言库中有自己刚添加的字库num_1
我们用这个字库来识别一张图片 tesseract 72.png out -l num_1
会在图片目录下生成out.txt文件,我们打开这个txt文件,可以看到使用num_1字库识别这张图片的结果
打开out文件,发现识别结果与图片完全符合,至此,自己制作的字库就已经成功了,可以识别所有这种数字字体的图片。