5 Tesseract-ocr 系列 ： 使用 jTessBoxEditor，结合 tesseract-ocr-3.4 进行训练、识别

首先，本地环境： Ubuntu 16.40 + Tesseract-ocr + jTessBoxEditor 1.7.3
（具体的环境搭建在之前都有介绍，此处不再赘述。）

这里详细介绍使用图片文件作为输入的训练方法。比如我的训练素材是十张带字体格式的数字图片，最后我经过训练得到的语言库为： num1.tessdata

1. 准备好用作训练素材的图片：
   

2. 跳转到 jTessBoxEditor 的安装目录，打开 jTessBoxEditor 客户端：

   cd  /your/path/jTessBoxEditor-1.7.3
   java -Xms128m -Xmx1024m -jar jTessBoxEditor.jar

   

3. 由素材图片生成 ~.tif 文件； 即 图片素材 –> .tif
   a) Tools -> Merge TIFF

   

   b) 弹出对话框：Select Input Images

   

   c) 弹出对话框：Save Multi-page TIFF Image

   

   D）此步成功会在保存路径中生成 ~.tif 文件，在这里就是 num1.invoicenum.exp0.tif

4. 由 .tif 文件 -> .box 文件
   两种方式：jTessBoxEditor 和 命令行。
   a) jTessBoxEditor

   

   b) 命令行输入：

   tesseract num1.invoicenum.exp0.tif num1.invoicenum.exp0 batch.nochop makebox

   // 此步执行成功会生成 ~.box 文件，在这里就是 num1.invoicenum.exp0.box

5. 修正 Box 文件

   

   

   // 以后的操作都可以选择 jTessBoxEditor 或者 命令行 来操作，这里选择的是 命令行：

6. 由 .box 文件 -> .tr

   tesseract num1.invoicenum.exp0.tif num1.invoicenum.exp0 box.train.stderr

7. 由 .box 文件 -> unicharset

   unicharset_extractor num1.invoicenum.exp0.box

8. 生成 font_properties // 本质是 ~.txt 文件，但是不带后缀

   echo invoicenum 0 1 1 0 1 >font_properties

9. 由 font_properties, unicharset, .tr -> shapetable

   shapeclustering -F font_properties -U unicharset num1.invoicenum.exp0.tr

10. 由 font_properties, unicharset, .tr ->lang.unicharset, inttemp, pffmtable

    mftraining -F font_properties -U unicharset -O num1.unicharset num1.invoicenum.exp0.tr

11. 由.tr 文件 -> normproto

    cntraining num1.invoicenum.exp0.tr

    

12. 重命名 以 lang. 开头重命名 inttemp, normproto, pffmtable, shapetable

    mv inttemp num1.inttemp
    mv normproto num1.normproto 
    mv pffmtable num1.pffmtable 
    mv shapetable  num1.shapetable

    // 重命名后有
    

13. 合并生成 lang.traineddata文件，在这里为 num1.traineddata

    combine_tessdata num1.

    

14. 将生成的lang.traineddata 文件拷贝到系统中 ~/tessdata/目录下.
    如我的tessdata目录为： /usr/local/share/tessdata/

    sudo cp /your/path/num1.traineddata /usr/local/share/tessdata/

15. 测试
    要识别的图片：
    
    a) 使用自带的语言库 eng.traineddata 识别结果：
    
    b) 使用刚才训练得到的库 num1.tessdata 识别结果：
    

End