Tesseract-OCR 字符训练操作 精简版

Tesseract-OCR 字符训练操作 精简版

安装好tesseract 和jTessBoxEditor-2.2.0
在jTessBoxEditor-2.2.0中合成tif图片
设置tif图片命名格式

lang.sign.img.tif

[lang].[fontname].exp[num].tif
lang为语言名称，fontname为字体名称，num为序号

生成box文件：

tesseract mytest.tif mytest -l chi_sim+eng batch.nochop makebox

多个box文件

tesseract lang.sign.img.tif lang.sign.img -l chi_sim+eng batch.nochop makebox

训练生成tf文件：

tesseract 200test.tif 200test nobatch box.train

产生计算字符集（unicharset）:

unicharset_extractor 200test.box

如果有多个，就在后面依次添加

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

新建文件“font_properties” 内容输入：

200test 0 0 0 0 0

可使用命令行：echo 200test 0 0 0 0 0 >font_properties
生成shape文件

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

多个shape文件

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

接着执行命令：

mftraining -F font_properties -U unicharset 200test.tr

多个文件：

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

输入命令：

cntraining 200test.tr
cntraining lang.sign.img.tr

更名：

rename/mv normproto lang.normproto 

合并训练文件

combine_tessdata test200.
combine_tessdata lang.

最后生成*.traineddata

参考文档：http://www.suohi.cc/posts/5810974b731d7c006f9daf77