说明:本人由于在google code下载了源码,先生成LIB_Debug,再生成DLL_Debug,所以直接从E:\BuildFolder\tesseract-ocr\vs2008\LIB_Debug拷贝出
tesseract-dlld.exe,unicharset_extractord.exe,mftrainingd.exe,cntrainingd.exe,combine_tessdatad.exe到E:\BuildFolder\tesseract-ocr\testing下
步骤有:
1.1. Make Box Files
E:\BuildFolder\tesseract-ocr\testing>tesseract-dlld ABC.Roman.exp0.tif ABC.Roman.exp0 -l eng batch.nochop makebox
Tesseract Open Source OCR Engine v3.02 with Leptonica
1.2. Fix Box
使用CowBoxer编辑内容,要看help
1.3. Run Tesseract for Training
E:\BuildFolder\tesseract-ocr\testing>tesseract-dlld ABC.Roman.exp0.tif ABC.Roman.exp0 nobatch box.train
Tesseract Open Source OCR Engine v3.02 with Leptonica
APPLY_BOXES:
Boxes read from boxfile: 14
Found 14 good blobs.
TRAINING ... Font name = Roman
Generated training data for 2 words
1.4. Compute the Character Set
E:\BuildFolder\tesseract-ocr\testing>unicharset_extractord ABC.Roman.exp0.box
Extracting unicharset from ABC.Roman.exp0.box
Wrote unicharset file ./unicharset.
1.5. Clustering
这一步要先建立一个font_properties.txt的文件,文件内容格式如下:
<fontname> <italic> <bold> <fixed> <serif> <fraktur>
我的内容是
Roman 0 0 0 0 0
E:\BuildFolder\tesseract-ocr\testing>mftrainingd -F font_properties.txt -U unicharset ABC.Roman.exp0.tr
Warning: No shape table file present: shapetable
Reading ABC.Roman.exp0.tr ...
Flat shape table summary: Number of shapes = 12 max unichars = 1 number with multiple unichars = 0
Done!
E:\BuildFolder\tesseract-ocr\testing>cntrainingd ABC.Roman.exp0.tr
Reading ABC.Roman.exp0.tr ...
Clustering ...
Writing normproto ...
1.6. Combine
此时,在目录下应该生成若干个文件了,把unicharset, inttemp, normproto, pffmtable这四个文件加上前缀“Roman.”。然后输入命令:
E:\BuildFolder\tesseract-ocr\testing>combine_tessdatad Roman.
Combining tessdata files
TessdataManager combined tesseract data files.
Offset for type 0 is -1
Offset for type 1 is 140
Offset for type 2 is -1
Offset for type 3 is 939
Offset for type 4 is 140232
Offset for type 5 is 140335
Offset for type 6 is -1
Offset for type 7 is -1
Offset for type 8 is -1
Offset for type 9 is -1
Offset for type 10 is -1
Offset for type 11 is -1
Offset for type 12 is -1
Offset for type 13 is 141961
Offset for type 14 is -1
Offset for type 15 is -1
1.7. Test
把生成的Roman.traineddata拷贝到E:\BuildFolder\tesseract-ocr\testing\tessdata
tesseract ABC.Roman.exp0.tif result -l Roman -psm 7 nobatch
这样就ok了。
参考:http://blog.wudilabs.org/entry/f25efc5f/?lang=zh-CN
http://www.lixin.me/blog/2012/05/26/29536
http://wenku.baidu.com/view/5eafc201e87101f69e3195f4.html
http://www.84kf.com/html/22453.html
http://blog.csdn.net/fengbingchun/article/details/7022421
以下转自:http://blog.wudilabs.org/entry/f25efc5f/?lang=zh-CN
需要用到的程序
(1) Tesseract 3.00
(2) Tesseract 3.00 Bugfix
(3) CowBoxer 1.01
(4) Universal Extractor 1.61 (非必需)
使用 Universal Extractor 将 Tesseract 的安装包解开,再用 Bugfix 里的 tesseract.exe 覆盖原来的主程序,Tesseract 就可用了。CowBoxer 是用于修改 box 文件的程序。
生成第一个 box 文件
演示中将 Tesseract 解压到了 E:\tesseract-ocr 目录。然后在该目录中建立了一个 build 目录用于存放原始数据和训练过程中生成的文件。原始图片数据一个有 3 个 (test.001.tif - test.003.tif):
首先生成第一个图片 test.001.tif 的 box 文件,这里使用官方的 eng 语言数据进行文字识别:
Tesseract Open Source OCR Engine with Leptonica
Number of found pages: 1.
执行完这个命令之后,build 目录下就生成了一个 test.001.box。使用 CowBoxer 打开这个 box 文件,CowBoxer 会自动找到同名的 tif 文件显示出来。
![](https://i-blog.csdnimg.cn/blog_migrate/dde307faa6103313971000453cb398c8.png)
CowBoxer 的使用方法可以看 Help -> About 中的说明。修改完成之后 File -> Save box file 保存文件。
生成初始的 traineddata
接下来使用这一个 box 文件先生成一个 traineddata,在接下来生成其他图片的 box 文件时,使用这个 traineddata 有利于提高识别的正确率,减少修改次数。
..\training\unicharset_extractor test.001.box
..\training\mftraining -U unicharset -O test.unicharset test.001.tr
..\training\cntraining test.001.tr
rename normproto test.normproto
rename Microfeat test.Microfeat
rename inttemp test.inttemp
rename pffmtable test.pffmtable
..\training\combine_tessdata test.
在 build 目录下执行完这一系列命令之后,就生成了可用的 test.traineddata。
生成其余 box 文件
将上一步生成的 test.traineddata 移动到 tesseract-ocr\tessdata 目录中,接下来生成其他 box 文件时就可以通过 -l test 参数使用它了。
..\tesseract test.003.tif test.003 -l test batch.nochop makebox
这里仅仅是使用 3 个原始文件作为例子。实际制作训练文件时,什么时候生成一个 traineddata 根据情况而定。中途生成 traineddata 的目的只是为了提高文字识别的准确率,使后面生成的 box 文件能少做修改。
生成最终的 traineddata
在所有的 box 都制作完成后,就可以生成最终的 traineddata 了。
..\tesseract test.002.tif test.002 nobatch box.train
..\tesseract test.003.tif test.003 nobatch box.train
..\training\unicharset_extractor test.001.box test.002.box test.003.box
..\training\mftraining -U unicharset -O test.unicharset test.001.tr test.002.tr test.003.tr
..\training\cntraining test.001.tr test.002.tr test.003.tr
rename normproto test.normproto
rename Microfeat test.Microfeat
rename inttemp test.inttemp
rename pffmtable test.pffmtable
..\training\combine_tessdata test.
在文件较多时可以用程序生成这种脚本执行。