TesserAct安装:https://github.com/tesseract-ocr/tesseract/wiki
用于编辑TesserAct训练数据的可视化工具 jtessboxEditor : https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
1.TesserAct的简单使用
如果不打算自己训练,想直接使用TesserAct训练好的模型,可以直接输入:
tesseract yourImage yourOutPutFileName -l languageLib -psm yourChoice
其中 -l选项选择的是字库模型,其存储在 Tesseract-OCR/tessdata文件夹下。每个*.traineddata代表着一个针对某种字体或者情况训练好的模型,可以通过-l选项导入。例如:eng.traineddata 代表的是英语模型。tesserAct只默认自带英文模型,如果想识别其他语言的模型,可以在:https://github.com/tesseract-ocr/tessdata下载相应语种的trainedData,并放入本地的tessdata文件夹下,再在运行时以-l选择即可。
2.训练自己的TesserAct字库
2.1准备多页TIF文件
通过JTessBoxEditor -> tools 选项, 你可以将多个tif图片合并成一个多页tif图片,以供后面的训练使用,假设这里合并成的多页tif名字为exam.tif
2.2生成box文件
1
|
tesseract exam.tif exam -l eng -psm 6 batch.nochop makebox
|
2.3将box和tif文件放在同一目录下,然后用jtessBoxEditor打开,界面如下:
在这个界面下你可以编辑图片的bounding box 以及 字符的char,别忘了翻页噢!
2.3训练字库
在上一步确认调整好并保存后,即进入到训练阶段。
只要在命令行输入命令即可。