tesseract4.0训练入门

一、下载

1. tesseract-ocr

配置环境变量

path: 需要tesseract-ocr(安装路径) Tesseract-OCR\tessdata(字体路径)

TESSDATA_PREFIX: Tesseract-OCR\tessdata(字体路径)

检测：

tesseract -v

使用：

// tesseract 图片名称 生成的结果文件的名称 字库
tesseract test.png result -l chi_sim

2. 字体库

chi_sim 简体中文

chi_tra 繁体中文

3. jTessBoxEditor 训练

3.1. 准备

准备图片,原图加上转TIF(可用画图工具) 或者在线转换

tif文件命名格式[lang].[fontname].exp[num].tif
tif命名规则：lang为语言名称，fontname为字体名称，num为图片序号；
比如我们要训练自定义字库 testlang、字体名normal，则命名为testlang.normal.exp0.tif

合并：

jTessBoxEditor，Tools->Merge TIFF，将样本文件全部选上，并将合并文件保存为testlang.font.exp0.tif

3.2. 生成box文件

使用训练过的字库生成.box文件 ：

# tesseract tif文件名.tif -l 字体库 box文件名 batch.nochop makebox 一定要注意格式。

tesseract testlang.normal.exp0.tif -l chi_sim testlang.normal.exp0 batch.nochop makebox

#tesseract znzd.list.exp1.tif -l znzd znzd.list.exp1 batch.nochop makebox

3.3. 快速脚本（使用后可忽略3.4-3.10）

filename的名字替换自己的取的名字

set filename=testlang.normal.exp0

:: 生成字符集文件
echo Generate unicharset...
unicharset_extractor %filename%.box

:: 生成训练文件
echo Run Tesseract for Training...
tesseract %filename%.tif %filename% nobatch -l chi_sim box.train

:: 生成font_properties
echo Generate font_properties...
echo normal 0 0 0 0 0 >font_properties

:: 生成聚集字符特征文件
echo Generate Character...
mftraining -F font_properties -U unicharset -O unicharset %filename%.tr

:: 生成字符正常化特征文件
echo Clustering...
cntraining %filename%.tr

:: 重新命名
echo Rename Files...
rename normproto testlang.normproto
rename inttemp testlang.inttemp
rename pffmtable testlang.pffmtable 
rename shapetable testlang.shapetable
rename unicharset testlang.unicharset

:: 合并训练文件
echo Create Tessdata...
combine_tessdata testlang.

pause

3.4. 生成font_properties文件

【语法】<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。

echo normal 0 0 0 0 0 >font_properties

【注意】这里输入的 “normal” 名称必须与 “testlang.normal.exp0.box” 中两个点号之间的 “normal” 名称保持一致。

3.5. 生成训练文件

#语法：tesseract tif文件名.tif tr文件名 -l 字库名 nobatch box.train

tesseract testlang.normal.exp0.tif testlang.normal.exp0 -l chi_sim nobatch box.train

3.6. 生成字符集文件

#语法： unicharset_extractor  xxx.box(之前生成的box文件)
unicharset_extractor testlang.normal.exp0.box

3.7. 生成字符集文件

#语法： mftraining -F font_properties -U unicharset -O unicharset  xxx.tr(之前生成的tr文件)
mftraining -F font_properties -U unicharset -O unicharset testlang.normal.exp0.tr

3.8. 生成字符正常化特征文件

#语法：cntraining tr文件名.tr
cntraining testlang.normal.exp0.tr

3.9. 重新命名（把之前的步骤生成的文件重写命名）

#语法：rename 旧文件名（固定） 新文件名 -----语言名称.旧文件名

rename normproto testlang.normproto
rename inttemp testlang.inttemp
rename pffmtable testlang.pffmtable 
rename unicharset testlang.unicharset
rename shapetable testlang.shapetable

3.10. 合并训练文件

#语法： combine_tessdata 合成文件名. (注意小数点)

combine_tessdata testlang.

3.11. 使用

testlang.traineddata文件拷贝到tesseract安装目录的tessdata目录下