训练字库

处理样本格式

样本图像文件格式必须为tif\tiff格式，勿采用更改文件后缀名的方式更改图片格式这个一般用画板可以解决。
如果批量改格式可以看这几行代码：`from wand.image import Image
import os
def get_imlist(path):
“”“返回目录中所有tif图像的文件名列表”""
return [os.path.join(path,f) for f in os.listdir(path) if f.endswith(".png")]
if name == ‘main’:
path = “C:\Users\ASUS\PycharmProjects\表格识别研究进展\TG”
listdir = get_imlist(path)
for dir in listdir:
print(dir)
with Image(filename = str(dir)) as img:
img.resize(4096,4096) # width, height
img.save(filename = (str(dir)+‘tif’))

更改图片名字

tif文面命名格式[lang].[fontname].exp[num].tif
lang是语言 fontname是字体

生成box文件

tesseract qiexue.nomal.exp0.tif qiexue.nomal.exp0 -l chi_sim batch.nochop makebox

jTessBoxEditor工具

打开jTessBoxEditor矫正错误并训练

1打开train.bat
2找到tif图，打开，并校正。

使用tesseract生成.tr训练文件

tesseract qiexue.normal.exp0.tif qiexue.normal.exp0 nobatch box.train

生成字符集文件

unicharset_extractor qiexue.nomal.exp0.box

生成font_properties文件

echo normal 0 0 0 0 0 >font_properties

生成shape文件

shapeclustering -F font_properties -U unicharset -O qiexue.unicharset qiexue.nomal.exp0.tr

生成聚字符特征文件

mftraining -F font_properties -U unicharset -O qiexue.unicharset qiexue.nomal.exp0.tr

生成字符正常化特征文件

cntraining qiexue.nomal.exp0.tr

文件重命名

合并训练文件

combine_tessdata qiexue.

将生成的“qiexue.traineddata”语言包文件复制到Tesseract-OCR 安装目录下的tessdata文件夹中，就可以使用训练生成的语言包进行识别了。