jTessBoxEditor 训练

       在基于tesseract-ocr的图片文字识别中，可以通过jTessBoxEditor 进行训练，以提高图片文字的识别率。本文简单记录下训练的方法与步骤。

        从网站https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/下载jTessBoxEditor，解压到本地即可。运行jTessBoxEditor依赖java环境，因此需要安装配置jre。

一、基于jTessBoxEditor训练

1、生成tif和box文件       

执行jTessBoxEditor目录下的train.bat批处理文件打开jTessBoxEditor，选中“TIFF/Box Generator”，如下图：

在面板输入待训练的内容后，再执行以下动作：

1）、点击图中标注的1，设置文件生成后保存的目录；

2）、修改图中标注的2的内容为自定义训练标志（最终生成训练文件的前缀）；

3）、修改图中标注3的文件名，生成的文件名由 2的内容 + 3的内容，如上图最终生成的tif文件和box文件名分别为hz.font.exp0.tif、hz.font.exp0.box

4）、点击图中标注4的按钮Generate，生成tif和box文件。

注：tif文件命名格式需规范，格式为“[lang].[fontname].exp[num].tif”，lang为语言名称，fontname为字体名称，num为序号。

5）、检查生成的字符配置文件hz.font_properties

字符配置文件内容为：font 0 0 0 0 0
内容语法说明：<fontname> <italic> <bold> <fixed> <serif> <fraktur> 

fontname为字体名称，italic为斜体，bold为黑体字，fixed为默认字体，serif为衬线字体，fraktur德文黑字体，1和0代表有和无，精细区分时可使用

2、字符矫正

打开“Box Editor”页面，如下图：

点击上图中的“Open”按钮，选择上一步生成的tif文件，检查字符是否正确，针对错误的修改Char列里面的内容，再点击“Save”保存修改。

3、开始训练

打开“trainer”页面，如下图：

点击图中标注的1，选择前面步骤生成的tif文件。修改图中标注2的语言与前面一致。图中标注3的地方选择“Train with Exsiting Box”，点击“run”按钮开始训练。训练成功后会在当前目录下生成tessdata目录，训练结果文件就在tessdata目录下hz.traineddata。就可以使用该训练文件去识别相关的图片。

二、通过写bat脚本训练

        从https://digi.bib.uni-mannheim.de/tesseract/下载tesseract版本完成安装。配置好环境变量，打开命令行窗口执行tesseract -v 看到相关版本信息，则表示安装配置成功。

1、生成tif和box文件

       可参照第一种方法生成。但这里介绍通过自定义图片使用jTessBoxEditor 合并tif，并用命令行生成box文件。

       手动增加几张样图文件（通过画图软件写入内容，保存为tif格式）作为训练数据，打开jTessBoxEditor，点击tools菜单选择Merge Tiff，在弹出框选择训练图片（如下图的01-04，数据越多训练效果越好），点击“打开”按钮，弹出保存多张tif文件的名称输入框（如下图标注的3），按上面提到的tif文件命名格式填入文件名，如下图：

点击上图中的保存按钮，则将多张tif文件合并为一个tif文件num.font.exp0.tif。

2、生成box文件

打开命令行执行命令tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox生成box文件，执行命令后输出如下：

D:\wspace\tess4j-demo2\test-data\num>tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox
Tesseract Open Source OCR Engine v4.0.0.20181030 with Leptonica
Page 1
Page 2
Page 3
Page 4

3、字符配置文件font_properties

新建文件名为font_properties，内容填入font 0 0 0 0 0。

4、字符矫正

参照第一种方法“基于jTessBoxEditor训练”里面内容操作即可。

5、执行bat脚本生成训练数据

新建.bat文件，内容如下：

echo Run Tesseract for Training.. 
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train 

echo Compute the Character Set.. 
unicharset_extractor.exe num.font.exp0.box 
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr 

echo Clustering.. 
cntraining.exe num.font.exp0.tr 

echo Rename Files.. 
rename normproto num.normproto 
rename inttemp num.inttemp 
rename pffmtable num.pffmtable 
rename shapetable num.shapetable  

echo Create Tessdata.. 
combine_tessdata.exe num. 

echo. & pause

双击bat文件，执行后会生成很多文件，找到num.traineddata文件即是训练结果。拷贝到tessdata目录，即可使用该训练结果识别图片文字。