亲测jTessBoxEditor训练中文字库 有效测试

这两天在写识别身份证信息，发现tesseract-ocr识别字库中的中文chi_sim识别字体仍然有乱码出现，识别率不是很高，所以各种百度找准确率高的字库，结果就是自己创造，下面就说步骤，很简单哦，大家直接按照步骤完成就好啦！
第一步：找到jTessBoxEditor压缩包，解压到你想放到的路径，这里提供的版本为2.2.0版本
注意：这里也必须你的电脑上要有jre,而且版本必须为1.8.0以上

第二步：首先准备一张地址图片，放在自定义的文件夹下，命名为address.normal.exp0.jpg，并且复制一份命名为address.normal.exp0.tif
说明：1、 .jpg命名要与.tif命名相同，不然一会识别tif文件识别不出来
2、 .tif命名格式是有规定的：
[lang].[fontname].exp[num].tif
lang是语言 fontname是字体
例如：训练自定义库名为address
字体名为normal
所以将address.normal.exp0.jpg重命名为.tif。

第三步：生成box文件，执行命令

tesseract address.normal.exp0.jpg address.normal.exp0 -l chi_sim batch.nochop makebox

执行成功，我们用记事本看一下box文件，发现是乱七八糟的

说明：box文件一定要与tif文件放在同一个文件夹下
第四步：接下来就要用jTessBoxEditor进行纠错训练，打开jTessBoxEditor文件下的train.bat
选择Box Editor->open，打开address.normal.exp0.tif文件
注意：下图的内容是我操作完的，未操作的图片其实就是左侧的char为识别出来的乱码，大 家在红框地方进行操作就可以得到正确的结果
操作完成后，点击save保存box文件

第五步：用echo命令创建字体特征文件

echo address 0 0 0 0 0>font_properties

执行完成之后，在当前文件夹下生成font_properties文件

第六步：用tesseract生成.tr训练文件

tesseract address.normal.exp0.tif address.normal.exp0 nobatch box.train

成功后看到：


第七步：生成字符集文件

unicharset_extractor address.normal.exp0.box

第八步：生成数据字典

mftraining -F font_properties -U unicharset -O address.unicharset address.normal.exp0.tr

cntraining address.normal.exp0.tr

执行后，会生成四个文件：inttemp、pffmtable、normproto、shapetable



这里需要手动修改成为：address.inttemp、address.pffmtable、address.normproto、address.shapetable

第九步：合并数据文件，生成字库文件

combine_tessdata address.

成功后会在当前文件夹下生成address.traineddata文件，这个语言就是跟我们下载的官方字库一样，例如eng，chi_sim一样，不过这个字库专门用于识别纠正图片中那种数字字体。

我们把这个字库address放到tesseract-ocr的tessdata目录下C:\Program Files (x86)\Tesseract-OCR\tessdata

第十步：测试结果，完全的将文字正确的识别出来了


文章参考：1、https://blog.csdn.net/qq_37781464/article/details/90292350?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.channel_param
2、https://www.cnblogs.com/wzben/p/5930538.html