文字识别(二) Tesseract识别与jTessBoxEditor样本训练

《一》准备样本文件

1.样本文件

可使用系统画图工具绘制样本文件，数量越多越好，作为训练的数据，如图

注:样本图像文件保存格式必须为.tif结尾或.tiff结尾的格式，否则在Merge样本文件的过程中会出现 Couldn’t Seek 错误，如图

以下是绘制的样本文件

 

《二》Merge样本文件

1.在jTessBoxEditor目录，双击【train.bat】，打开 jTessBoxEditor，如图

点击菜单栏 【Tools 】->【Merge TIFF】，点击

2.在打开的文件选择器中找到将步骤《一》中制作的样本文件，按住Ctrl+鼠标点击选择所有样本图片，点击确定合成一个文件

3.去一个文件名，这个取名是有讲究的，必须是以下格式

格式:
[lang].[fontname].exp[num].tif

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

例:
number.font.exp0.tif

4.保存成功，弹窗，如图

 

《三》生成Box文件

1.进入num.font.exp0.tif 文件所在目录下，在目录导航栏键入cmd,点击Enter打开cmd命令窗口,输入如下格式命令

格式:
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

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

2.看到目录下生成[lang].[fontname].exp[num].box文件，即代表操作成功

命令行中Page数量即代表合成文件中样本文件数量

 

《四》定义字符配置文件

在文件夹下新建一个文本文件，命名为font_properties，将.txt去掉，然后使用记事本打开文件，输入如下格式命令

格式:
<fontname> <italic> <bold> <fixed> <serif> <fraktur>

fontname为字体名称 italic 斜体 bold 黑体字 fixed 默认字体 serif 衬线字体 fraktur 德文黑字体

1代表是
0代表否

例:
font 0 0 0 0 0

 

《五》样本整合、矫正

1.将样本tif文件、num.font.exp0.tif文件、生成的num.font.exp0.box文件以及font_properties文件放在同一个目录下，如图

2.打开 jTessBoxEditor ->【BOX Editor】->【Open】，打开num.font.exp0.tif；矫正修改【Char】列上的字符，如图

 

注:修改为正确的字符后，点击Enter回车确定,否则不会生效

矫正后:

 

注:记得Page有好多页哦，每页都需要矫正

有可能生成的 box 文件后，会多一个盒子，它把7识别成了两个

处理策略:根据索引看到的数字修改char，如果不是完整字符就敲 空格，然后点击Enter回车确定，如图

3.几页都矫正处理完毕后点击【Merge】保存，替换原来的 box 文件

 

《六》批处理

1.在目录下，新建一个文本文件，将文本文件重命名为 run.bat，后缀.txt去掉，将以下代码段复制到文本中，根据自身文件名修改内容，保存

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

2.保存后，双击.bat执行，执行后会在文件夹生成很多文件,如图

3.将目录下的num.trainddata文件复制到Tesseract-OCR安装目录下的tessdata文件夹下，如图(如没有安装Tesseract-OCR，请参考上一篇Tesseract和jTessBoxEditor环境搭建)

 

《七》测试效果

在画图软件中随手再画一张图片，保存为.jpg/.png等正常图片格式，如图是我画的

在待测试文件同目录下，打开cmd，输入tesseract命令

注:语言参数要设置成刚才拷贝的文件的名称前缀，如果没拷贝 xxx.trainddata,将无法识别

格式:
tesseract imagename resultfilename -l lang

imagename 待识别的文件名 resultfilename 识别结果的文件名 lang 语言

例:
tesseract num1.jpg num01 -l num

识别结果如下

可以看到，由于训练样本较少，导致识别精度不高，只识别出来了3位数，故而，要实现识别的精确度，需要大量的样本

 

本章介绍到此结束。