Tesseract训练生成新的语言库



 

    在使用Tesseract进行图像识别时，对在识别汉字或一些字符时会出现识别不正确的情况。此时就需要自己调整训练生成新的语言库，本片文章用来简单介绍使用jTessBoxEditor进行训练生成新的语言库。

 

一.前期准备：

 

1.jdk1.8或1.8以上。

2.jTessBoxEditor，下载地址：https://sourceforge.net/projects/vietocr/?source=typ_redirect

 

3.Tesseract，下载地址：https://code.google.com/p/tesseract-ocr/

 

二.训练语言库：

（1）将图片转换成tif格式，用于后面生成box文件。可以通过画图，然后另存为tif即可。更改图片名字，这个是有要求的。tif文面命名格式[lang].[fontname].exp[num].tif，其中lang是语言 fontname是字体。

（2）生成box文件（注意jpg文件路径）：

tesseractd:\Tesseract-OCR\testdata\mjorcen.normal.exp0.jpg d:\Tesseract-OCR\testdata\mjorcen.normal.exp0 -l chi_sim batch.nochop makebox

（3）打开jTessBoxEditor矫正错误并训练（关于jTessBoxEditor的使用，下一篇文章介绍）

           打开train.bat

 

点击“open”，打开tif文件进行校正

 

（4）显示分析修正的字（生成*.tr文件）：

tesseractd:\Tesseract-OCR\testdata\mjorcen.normal.exp0.jpg d:\Tesseract-OCR\testdata\mjorcen.normal.exp0  nobatch box.train

（5）生成unicharset文件，在tesseract.exe同级目录

unicharset_extractor d:\Tesseract-OCR\testdata\mjorcen.normal.exp0.box

（6）生成shap文件：注意font_properties、unicharset、mjorcen.normal.exp0.tr文件路径（在tesseract.exe同级目录）

shapeclustering-F d:\Tesseract-OCR\testdata\font_properties -U  d:\Tesseract-OCR\unicharset  d:\Tesseract-OCR\testdata\mjorcen.normal.exp0.tr

（7）生成inttemp、pffmtable

mftraining -F  d:\Tesseract-OCR\testdata\font_properties-U  d:\Tesseract-OCR\unicharset -O  d:\Tesseract-OCR\unicharset d:\Tesseract-OCR\testdata\mjorcen.normal.exp0.tr

（8）生成normproto文件

cntraining d:\Tesseract-OCR\testdata\mjorcen.normal.exp0.tr

（9）将上面生成的5个文件重命名为“normal.原文件名”，便于合并

（10）合并5个文件

combine_tessdata  d:\Tesseract-OCR\testdata\normal.

注意：

新建一个font_properties（没有后缀）文件。里面内容写入 normal 0 00 0 0 表示默认普通字体

三.测试：把 normal.traineddata 复制到Tesseract-OCR 安装目录下的tessdata文件夹中，此时可使用自己生成的文字库进行图像识别。

喜欢我的文章希望和我一起成长的宝宝们，可以搜索并添加公众号TryTestwonderful ，或者扫描下方二维码添加公众号