Tesseract OCR 训练字库

Tesseract OCR是一款由HP实验室开发由Google维护的开源OCR引擎，在字符识别领域发挥着举足轻重的作用。除了使用软件自带的中英文识别库，我们可以使用Tesseract OCR训练属于自己的字库。下面，我简要介绍一下操作步骤：

一、软件环境搭建

使用Tesseract OCR训练自己的字库前，除了需要安装Tesseract OCR外，还需要一款jTessBoxEditor配套训练工具。由于jTessBoxEditor需要java运行环境，所以我们应该确保在运行jTessBoxEditor前先安装JRE（Java Runtime Environment，Java运行环境）。

Tesseract OCR:https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-setup-3.05.01.exe
jTessBoxEditor:https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
Java Runtime Environment:https://pc.qq.com/detail/1/detail_21141.html

有关Tesseract OCR运行安装、测试及在Visual Studio中使用方法，请参考我的博客：
Tesseract OCR 安装、测试：https://blog.csdn.net/qq_30534935/article/details/83652590
Tesseract API 在VS2013中的配置以及调用：https://blog.csdn.net/qq_30534935/article/details/83657192

二、获取样本文件

我们可以用画图工具绘制样本文件，数量越多越好，我自己画了5张图。

注意：
1、样本图像文件格式必须为tif\tiff格式，否则在Merge样本文件的过程中会出现 Couldn’t Seek 的错误。
2、请勿采用更改文件后缀名的方式更改图片格式，同样在Merge样本文件的过程中会出现Couldn’t Seek 的错误。

三、Merge样本文件

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

四、生成BOX文件

打开命令行并切换至num.font.exp0.tif所在目录，输入以下命令并生成名为num.font.exp0.box的文件。

tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox

【语法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox
lang为语言名称，fontname为字体名称，num为序号；在tesseract中，一定要注意格式。

五、定义字符配置文件

在目标文件夹内生成一个名为font_properties.txt的文本文件，内容为

font 0 0 0 0 0  

【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。

六、字符矫正

打开jTessBoxEditor，BOX Editor -> Open，打开num.font.exp0.tif；

注意：
矫正< Char>上的字符，< Page>有好多页！
修改后记得保存！
若存在字符分割错误，可通过merge、split修改。

七、执行批处理文件

在cmd中将以下命令复制粘贴后运行即可。

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.txt -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

文件夹中将生成以下文件：

八、测试阶段

将num.trainddata复制到Tesseract-OCR中tessdata文件夹。
在cmd中进入待识别图片文件夹，执行以下代码：

tesseract test.png output -l num

其中test.png是待识别图片名，识别结果存在在output.txt文件中。

待识别图像：

识别结果：