python-使用JtessBoxEditor训练tesseract字库

使用JtessBoxEditor训练tesseract字库，加上调用总共分12步

一、将图片格式转换为tif格式
tif文件命名的格式为[语言].[字体].exp[数字].tif
其中语言和字体、数字均为自己设置，可随意，但格式必须是以上格式。后面调用会需要用到字体名称
假设语言为liang，字体为mx
1、打开JtessBoxEditor
2、点击Tools
3、点击Merge TIFF，然后在文件类型选择bmp（可一次性选择多个bmp，最终会合并成一个tif）
4、点击打开图片后，然后保存为liang.mx.exp0.tif

二、在cmd命令行输入命令，生成box文件
1、先cd进入到tesseract的目录下，输入：
tesseract.exe liang.mx.exp0.tif liang.mx.exp0 -l chi_sim batch.nochop makebox
其中第1个liang.mx.exp0.tif为合并的tif文件（这里也可以直接使用bmp文件，但只能识别一个），第2个liang.mx.exp0为生成box文件的文件名，第三个-l（L）指language，使用指定的语言库打开，chi_sim就是中文库，其他的是命令
当前文件下显示 liang.mx.exp0.box（新增），liang.mx.exp0.tif

三、校正图片
1、打开JtessBoxEditor
2、点击Box Editor
3、点击open
4、打开合并的tif图（工具会自动加载对应的box文件，所以tif和box文件必须在同一文件夹下）
5、在左边修改识别文字（尽可能一个框一个字），在右上角的地方可以修改框的大小和位置
Insert：新增框。Delete：删除框。Merge：合并框。Split：拆分框。
6、如果是多个bmp合并的tif，在下方有翻页，翻页处理其他错别字
7、校正完一定要点击save保存

四、生成字体特征文件font_properties
1、打开记事本在里面输入以下内容：
mx 0 0 0 0 0
2、保存后，重命名把名称里的后缀删掉，即把“.txt”删掉，文件名称必须是font_properties。其中mx指自己命名的字体名。0的属性是指字体的属性，比如字体为斜体、粗体等，0代表没有额外属性
当前文件夹下显示：font_properties(新增)，liang.mx.exp0.box，liang.mx.exp0.tif

五、在cmd命令行输入命令，生成训练文件
1、先cd进入到tesseract的目录下，输入：
tesseract liang.mx.exp0.tif liang.mx.exp0 nobath box.train
执行完会生成liang.mx.exp0.tr
其中第一个liang.mx.exp0.tif为上述保存的tif文件，第二个liang.mx.exp0为生成tr文件的文件名（文件名尽可能保持一致）
其他的是命令
当前文件夹下显示：liang.mx.exp0.tr（新增），font_properties，liang.mx.exp0.box，liang.mx.exp0.tif

六、在cmd命令行输入命令，生成字符集文件
1、先cd进入到tesseract的目录下，输入：
unicharset_extractor liang.mx.exp0.box
执行完会生成unicharset
注意：unicharset必须和box文件同步更新，即后面生成新文件时，unicharset也必须重新生成
当前文件夹下显示：unicharset（新增），liang.mx.exp0.tr，font_properties，liang.mx.exp0.box，liang.mx.exp0.tif

七、在cmd命令行输入命令，生成shape文件
1、先cd进入到tesseract的目录下，输入：
shapeclustering -F font_properties -U unicharset -O unicharset liang.mx.exp0.tr
第1个-F font_properties指上述的font_properties文件，第2个-U unicharset 指上述的unicharset文件，第3个-O unicharset指新生成的unicharset名称（注意，-O会新生成unicharset文件，-O后面接新生成文件的文件名，此处输入的是unicharset和原来文件名一致，故会覆盖原来的unicharset文件），第4个liang.mx.exp0.tr为第五步生成的tr文件
当前文件夹下显示：shapetable（新增），unicharset（新增且覆盖原来的），
liang.mx.exp0.tr，font_properties，liang.mx.exp0.box，liang.mx.exp0.tif

八、在cmd命令行输入命令，生成聚集字符特征文件
1、先cd进入到tesseract的目录下，输入：
mftraining -F font_properties -U unicharset -O unicharset liang.mx.exp0.tr
执行完命令会生成unicharset（命名一样覆盖之前的unicharset文件）、inttemp、pffmtable、shapetable（覆盖之前的shapetable）
第1个-F font_properties指上述的font_properties文件，第2个-U unicharset 指上述的unicharset文件，第3个-O unicharset指新生成的unicharset，第4个liang.mx.exp0.tr为第五步生成的tr文件
当前文件夹下：inttemp（新增），pffmtable（新增），shapetable（新增且覆盖原来的），unicharset（新增且覆盖原来的），liang.mx.exp0.tr，font_properties，liang.mx.exp0.box，liang.mx.exp0.tif

九、在cmd命令行输入命令，生成字符正常化特征文件
1、先cd进入到tesseract的目录下，输入：
cntraining liang.mx.exp0.tr
执行完生成normproto文件
当前文件夹下显示：normproto（新增），
inttemp，pffmtable，shapetable，unicharset，liang.mx.exp0.tr，font_properties，liang.mx.exp0.box，liang.mx.exp0.tif

十、将文件改名，在cmd命令行输入命令，合并训练文件
1、将normproto、inttemp、pffmtable、shapetable、unicharset加字体名
我个人设置的是mx故将上述五个文件改名为mx.normproto、mx.inttemp、mx.pffmtable、mx.shapetable、mx.unicharset
2、先cd进入到tesseract的目录下，输入：
combine_tessdata mx.
注意命令行带【.】
执行完生成文件mx.traineddata

十一、将mx.traineddata放在tesseract安装目录的tessdata目录下

十二、python使用pytesseract调用tesseract识别功能
#打开图片（使用PIL库的Image）
image1=Image.open(r"D:\aaa.bmp")
#使用pytesseract.image_to_string识别图片，参数里的“mx”为上述训练文件mx.traineddata的前缀
word=pytesseract.image_to_string(im,lang=“mx”)
print(word)