Tesseract3.01 训练步骤

最近用到Tesseract，先是下载了版本3.02，经过测试3.02对中文的识别效果不如3.01，又换成了3.01，下面是3.01对字库的训练步骤

这是官方的训练步骤http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3，可对照查看，更易理解。

1.将用来训练的图片名改为如下格式：[lang].[fontname].exp[num].tif  

    其中lang为语言名称，fontname为字体名称，num为序号，可以随便定义。（若图片格式不是.tif,可用

    windouws自带画图工具另存为.tif格式）

    如，我的图片命名为 chi.song.exp0.tif  (语言：中文   字体：宋体   序号：0)

2.生成Box文件（*.box） 

   命令格式：     

  tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] -l language batch.nochop makebox

    图片名为 chi.song.exp0.tif  ，故相应命令为   

  tesseract chi.song.exp0.tif chi.song.exp0 batch.nochop makebox

  生成文件 chi.song.exp0.box

3.校正。

  下载jTessBoxEditor,下载链接为http://sourceforge.net/projects/vietocr/files/jTessBoxEditor/。

 （使用jTessBoxEditor需要先安装jdk，jdk1.7下载地址http://www.oracle.com/technetwork/java/javase/downloads/jdk7-downloads-1880260.html）

  打开jTessBoxEditor（双击.jar）,打开图片chi.song.exp0.tif(chi.song.exp0.tif与chi.song.exp0.box需在同一文件夹中)，进行校正，然后保存。

4.产生字符特征文件（*.tr）

  tesseract chi.song.exp0.tif chi.song.exp0 nobatch box.train

  生成两个文件 chi.song.exp0.txt 与 chi.song.exp0.tr(字符特征文件)

5.计算字符集（unicharset）

  unicharset_extractor chi.song.exp0.box

6.聚集字符特征

 ① 新建文件，命名为 font_properties ,文件内容格式如下:

  <fontname> <italic> <bold> <fixed> <serif> <fraktur>

  前面给图片命名时字体设为 song ，故此处文件内容为 song 0 0 0 0 0 (后面几个变量是字体参数，有没有加粗等，若有将相应0改为1)

②  mftraining -F font_properties -U unicharset -O chi.unicharset chi.song.exp0.tr

  此命令根据5中产生的unicharset 来生成当前新语言的字符集文件 chi.unicharset

  同时还会产生两个其他数据文件：inttemp（图形原型文件）和pffmtable（每个字符对应的特征数）。第三个文件是Mircofeat，没什么用。

③ cntraining chi.song.exp0.tr    

  生成文件 normproto (字符形状正常化特征文件) 

7.合并训练文件（.traineddata）

   把 文件inttemp , normproto , pffmtable加上前缀chi.

  命令： combine_tessdata chi.

  生成文件chi.traineddata，为新的字库

8.测试

    将chi.traineddata拷贝到文件夹tessdata中，使用命令tesseract chi.song.exp0.tif output -l chi

   查看使用新字库的输出结果