Tesseract 字库训练

本文主要记录用Tess4j调用Tesseract OCR 进行识别的步骤所涉及到的内容

1. 环境工具

需要安装java运行环境，同时安装对应的Tesseract执行程序，使用的工具主要为： jTessBoxEditor，下载软件之后解压运行环境中的bat文件。

2. 训练步骤

1. 制作tiff格式文件，将要识别的字库图片，利用Windows自带的画图工具另存为对应的tiff格式的图片文件。

2.将刚刚制作的tiff文件利用jTessBoxEditors合并成为一个tif文件

选中你的tiff文件，点击打开即可

3.生成box格式文件
命令为：

tesseract test.tif test -l chi_sim batch.nochop makebox

【语法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox
【语法】：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

注：如果需要屏蔽错误加option ，"–psm 7"

.\tesseract.exe .\okcancel.normal.exp0.tif okcancel.normal.exp0 -l chi_sim --psm 7 batch.nochop makebox

4.生成.tr文件

tesseract test.tif test nobatch box.train

【语法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] nobatch box.train

注：如果需要屏蔽错误加option ，"–psm 7"

.\tesseract.exe .\okcancel.normal.exp0.tif --psm 7 okcancel.normal.exp0 nobatch box.train

5.生成unicharset文件

unicharset_extractor test.box 

【语法】：unicharset_extractor [lang].[fontname].exp[num].box

.\unicharset_extractor.exe .\okcancel.normal.exp0.box

6.聚集字符特征

shapeclustering -F font_properties -U unicharset test.tr

mftraining -F font_properties -U unicharset -O unicharset test.tr

cntraining test.tr

【语法】：shapeclustering -F font_properties -U unicharset [lang].[fontname].exp[num].tr

.\shapeclustering.exe -F .\font_properties -U .\unicharset .\okcancel.normal.exp0.tr

【语法】：mftraining -F font_properties -U unicharset -O unicharset [lang].[fontname].exp[num].tr

.\mftraining.exe -F .\font_properties -U .\unicharset -O unicharset .\okcancel.normal.exp0.tr

【语法】：cntraining [lang].[fontname].exp[num].tr

.\cntraining.exe .\okcancel.normal.exp0.tr

执行上述命令之后，可以得到很多文件，最为重要的为如下几个文件

7.合并文件
重命名文件，在文件的开始用统一的前缀：

执行命令

combine_tessdata normal.

可生成最终可用的 normal.traineddata字符库文件，这样一个字符库文件就制作完成了

注：进行文字的训练纠正的过程中，对文字的切割比较重要，

如图所示，尽量对于同样类型的文字的上边距和宽度和高度保持一致，且两个字之间的线条尽量不要重叠，这样会比较顺利的完成文件的生成。