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