tesseract自训练教程

参考博文
进阶版可参考博文

---

一、安装tesseract

1. 下载相关文件：tesseract-ocr下载链接
2. 安装上述下载文件
3. 如果需要识别其他语言，可以下载相关语言的 .traineddata文件（下载链接）。将 .traineddata文件复制到 D:\Tesseract-OCR\tessdata路径下(对应自己的tesseract安装目录)。
4. 配置环境变量：系统变量path添加 D:\Tesseract-OCR\tessdata、D:\Tesseract-OCR(对应自己的tesseract安装目录)

二、安装jTessBoxEditorFX

详情可参考博文

1. 下载链接，如果要识别中文一定要选择FX版本
2. jTessBoxEditorFX需要Java环境：安装jdk（下载链接）
   注意：安装过程涉及到两次安装，第一次安装jdk，第二次安装jre。两次安装新建两个文件夹(同一目录下，也可默认安装路径)，jdk安装文件放到第一个文件夹中，jre安装文件放到剩下的一个文件夹中。
   
3. 配置环境变量：系统变量path添加 D:\Java SE\jdk\bin、D:\Java SE\jdk\jre\bin(对应自己的java安装目录)

三、Tesseract自训练

1. 训练图片均转换为tif格式

2. 打开jTessBoxEditorFX，Tools -> Merge TIFF ，选择融合的tif文件进行融合。融合后的文件名设置为mychi.myfont.exp0.tif

3. 图片目录下打开命令行（以下命令均在此目录下输入），输入tesseract mychi.myfont.exp0.tif mychi.myfont.exp0 batch.nochop makebox ，生成box文件

4. 使用jTessBoxEditorFX打开box文件（打开tif会默认打开box文件），Box Editor – Open ，选择 mychi.myfont.exp0.tif，修改其中错误的识别字符，可以调整识别框的大小 （在右上角红框内修改错误字符）。页面下方有page，可以切换tif文件进行操作。
   

5. 命令行输入 tesseract mychi.myfont.exp0.tif mychi.myfont.exp0 nobatch box.train，生成.tr文件

6. 命令行输入 unicharset_extractor mychi.myfont.exp0.box，生成unicharset文件并重命名为mychi.unicharset

7. 命令行输入 echo myfont 0 0 0 0 0>font_properties(表示默认普通字体)，生成文件

8. 命令行输入 mftraining -F font_properties -U mychi.unicharset -O mychi.unicharset mychi.myfont.exp0.tr

9. 命令行输入cntraining mychi.myfont.exp0.tr，共生成四个文件：inttemp、pffmtable、shapetable、normproto ，同样对他们进行重命名：在现文件名前加上 mychi.前缀

10. 命令行输入 combine_tessdata mychi.，生成mychi.traineddata

11. 将上一步骤生成的mychi.traineddata 文件复制到 D:\Tesseract-OCR\tessdata目录下(对应自己的tesseract安装目录)

12. python中使用：a = pytesseract.image_to_string(src_img,lang='mychi')