Tesseract-OCR的Training简明教程

引言： Tesseract虽然功能强大，但是依然由于图片本身诸多的干扰因素和识别能力，存在诸多的识别率不高和信息不准确的问题，Training的过程则可以提升起识别的准确率， 本文将介绍如何train tesseract-ocr。

1.  关于Training

   Tesseract虽然很强，且可以处理各类的文字转换，但是我们的目标图片并非如我们所期没有各类的干扰因素；在实际的情况下，各类的干扰因素将导致我们的识别准确率和效果大幅度下降；针对这类问题，Tesseract提供了Training的各类工具和过程，以期提升其识别率和正确率，提供可定制化的灵活性。

•  如何来提升输出的质量（Improve the quality of output),   https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality
•  Traing的介绍   https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract#introduction
•  Testdata    https://github.com/tesseract-ocr/tessdata
•  Training Tesseract https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract-3.00%E2%80%933.02
  

2.   jTessEditorBox

   jTessEditorBox是第三方提供了一个关于自定义用户识别结合的工具，非常的好用强大，其本身是基于Java开发而成的，需要依赖JRE的运行环境，推荐使用JDK8 u40+以上版本，具体信息可以参考其官网信息。

   这里做一个小说明： 直接从其官网下载非常慢，且非常容易断线，故直接使用了baidu的离线下载，秒级下载成功；然后绕道从百度云盘上下载。

3.  安装好tesseract

    这里假定已经安装好了tesseract，如果安装有问题，可以参考我之前写的一篇文字，关于如何安装tesseract的简明教程。

4.  创建用户自定义的原始图片文件

     这里笔者自行使用window自带的工具，创建以下4个图片，分别写了简单的数字：

     

 5.  运行jTessEditorbox工具，merge图片

      点击打开Tool菜单，点击merge，选择多个文件，另存在一个合成之后的文件：

     

   在生成另外一个merged文件之后，进行编辑和错误信息的纠偏：

    

   另存文件或者保存文件之后，保存到当下目录。

 6.. 运行tesseract命令，生成box文件

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

[html]  view plain   copy

 

1. E:\testdir>tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox  
2. Tesseract Open Source OCR Engine v3.05.00dev with Leptonica  
3. Page 1  
4. Page 2  
5. Page 3  
6. Page 4  

  结果会生成一个名称为num.font.exp0的文件，在命令运行的当下目录。BOX文件为Tessercat识别出的文字和其坐标。

   注：Make Box File 文件名有一定的格式，不能随便乱取名字，命令格式为：

[html]  view plain   copy

 

1. tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox   

   其中lang为语言名称，fontname为字体名称，num为序号，可以随便定义。

 7. 定义字体特征文件。Tesseract-OCR3.01以上的版本在训练之前需要创建一个名称为font_properties的字体特征文件。font_properties不含有BOM头，文件内容格式如下：
   <fontname> <italic> <bold> <fixed> <serif> <fraktur> 
   其中fontname为字体名称，必须与[lang].[fontname].exp[num].box中的名称保持一致。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值为1或0，表示字体是否具有这些属性。
    这里在样本图片所在目录下创建一个名称为font_properties的文件，用记事本打开，输入以下下内容：

[html]  view plain   copy

 

1. font 0