利用jTessBoxEditor工具进行Tesseract3.02.02样本训练

参考自：

• 官方：https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract-3.00%E2%80%933.02#bootstrapping-a-new-character-set
• http://blog.csdn.net/why200981317/article/details/48265621
• http://www.cnblogs.com/cnlian/p/5765871.html
• http://www.cnblogs.com/zhongtang/p/5555950.html?utm_source=tuicool&utm_medium=referral
• jTessBoxEditor下载地址：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
  这个工具是基于java虚拟机运行的，所以我们还要下载并安装一个java虚拟机
• tesseract可以去我的资源页下载：http://download.csdn.net/detail/ss_s1gn/9810646

1.生成tif文件

将图片用 画图 打开，保存为tif格式。
注意：保存的文件名为：

2.生成box文件（需要安装tesseract）

在命令行进入存放tif文件的目录，输入：

tesseract lang.sign.img.tif lang.sign.img batch.nochop makebox

3.打开下载好的jTessBoxEditor，点击

4.点击Box Editor –>>open 打开以tif为扩展名的文件

5.用jTessBoxEditor打开前面的tiff=文件lang.sign.img1.tif，工具会自动加载对应的box文件。

需要删除点击delete
需要新增点击insert
需要切割点击split
如图，可对对应的字符进行修正，输入正确的字符，enter确定
最后不要忘了点击save保存（注意：我使用的时候，如果只是修改数据，save按钮不可点击，可以新增一条无用数据，再删除就可以保存了）

6.生成font_properties

在命令行输入：

echo sign 0 0 0 0 0 >font_properties

7.生成训练文件

在命令行输入：

tesseract lang.sign.img.tif lang.sign.img nobatch box.train

8.生成字符集文件

在命令行输入：

unicharset_extractor lang.sign.img.box 

如果有多个，就在后面依次添加
eg：

unicharset_extractor lang.sign.img.box lang.sign.img1.box lang.sign.img2.box

9.生成shape文件

在命令行输入：

shapeclustering -F font_properties -U unicharset lang.sign.img.tr

注意：lang.unicharset 对应你的语言名称
如果有多个，就在后面依次添加
eg：

shapeclustering -F font_properties -U unicharset lang.sign.img.tr lang.sign.img1.tr lang.sign.img2.tr

10.生成聚集字符特征文件

mftraining -F font_properties -U unicharset -O lang.unicharset lang.sign.img.tr

注意：lang.unicharset 与上一部的lang.unicharset 对应
如果有多个，就在后面依次添加
eg：

mftraining -F font_properties -U unicharset -O lang.unicharset lang.sign.img.tr lang.sign.img1.tr lang.sign.img2.tr

11.生成字符正常化特征文件

在命令行输入：

cntraining lang.sign.img.tr

如果有多个，就在后面依次添加
eg：

cntraining lang.sign.img.tr lang.sign.img1.tr lang.sign.img2.tr

12.更名

rename normproto lang.normproto 
rename inttemp lang.inttemp 
rename pffmtable lang.pffmtable 
rename unicharset lang.unicharset 
rename shapetable lang.shapetable

13.合并训练文件

执行命令，生成lang.traineddata文件

combine_tessdata lang.

注意：命令行最后必须带一个点。

14.最后将lang.trainddata复制到Tesseract-OCR中tessdata文件夹即可

tesseract test.png output -l lang

lang就是根据我们生成的lang.traineddata去识别
也可以用google的eng.traineddata或其它库识别
在生成的output.txt查看扫描的结果