用Tesseract和jTessBoxEditor实现OCR的采坑记录

Tesseract的问题

我使用的是Tesseract4.0版本，参照的是别人的博客，注意不要下载最新版本，博主使用哪个版本就用哪个，否则会跟人家说明的步骤对不上，我开始下了个最新版本，后来运行某一步的时候会报“icuin63.dll”、“icucu63.dll”缺少的错误。

Tesseract4.0 分析他的chi_sim.traineddata 文件，应该是包含了一级字库的3755个字，但是有些字是识别不出来的，比如大写的数字“壹贰叁肆伍陆柒捌玖拾”等。原因不详，有经验的跪求指导。。。

jTessBoxEditor 训练

然后就是按照大家在网上经常能搜到的，试用 jTessBoxEditor进行训练，其实一直不理解，训练的目的，原因如下：

1. 第一种训练方式，是使用工具里TIFF/Box Generator，可以把文字直接copy到工具的文本框里，选定字体直接训练。按照此种方式，我把一级字库考进来，选了楷体，训练了一把，结果还不如自带的字库chi_sim.traineddata 识别率高。至少，chi_sim.traineddata能识别一级字库的多种字体，还有基本的标点符号，数字，英文，自己训练的字库，只有一级字库，字体可以考虑多种字体的训练后合并。
2. 还是使用工具里TIFF/Box Generator，只训练“壹贰叁肆伍陆柒捌玖拾”，然后放一个图片，包含这十个数字，结果还比较可以，除了柒其他都识别出来了，但是，这个数据集只认识这十个数字，自己训练的字库是无法和自带字库合并的，搜了一个方法是用+ 连接字库“chi_sim+num”,如果只识别十个数字，结果比只用“chi_sim+num”多认出了几个，还不如只用“num”字库认识的多，效果依旧不满意。
3. 第二种方式，是拿图片训练，拿图片训练的字库，对于这张图片是识别率高了，但是新的图片的识别率似乎还是老样子。