Tesseract-ORC训练中文Windows命令行使用方法

先下载Tesseract4.0版本进行安装。

1.tesseract简单使用：

打印1.png中的文字以中文的形式到1.txt，编码形式默认为utf-8。

 tesseract 1.png -l chi_sim stdout 1

打印1.png中的文字以中文的形式到命令行，但中文会出现乱码。因为格式是utf-8，而命令行中读取文本是以ansi编码读取。

tesseract 1.png -l chi_sim stdout

2.tesseract训练：
1.安装 jTessBoxEditor，需要安装jdk-17_windows-x64_bin.exe环境才能运行。

2.png转为tif文件，这样才可以被 jTessBoxEditor box editor打开。

3.打开后是没有识别文字的，所以我们要先创建box文件再打开。
创建1.tif名为1的box文件，-l指定识别文字的语言为chi_sim中文：

tesseract 1.tif 1 -l chi_sim batch.nochop makebox

4.使用BoxEditor的open选项打开1.tif文件，会发现自动帮你用中文识别了。当然会很多不准确，这时需要自己手动逐个校正文字后保存。

5.保存后生成特征文件，后面合并要用。

1. 生成tr文件

tesseract 1.tif 1 nobatch box.train

2. 生成Character集合文件

unicharset_extractor 1.box

3. 创建字体特征文件

echo name 0 0 0 0 0 >font_properties

4. 生成shape文件

shapeclustering -F font_properties -U unicharset -O 1 1.tr

5. 生成聚集字符特征文件

mftraining -F font_properties -U unicharset -O 1 1.tr

6. 生成字符正常化特征文件

 cntraining 1.tr

6.合并上面创建的六个中，除font_properties文件的剩下五个文件。
首先给那五个文件名字加上前缀，比如加test：

for %a in (normproto pffmtable shapetable unicharset inttemp) do ren %a test.%a

然后再合并，刚刚前缀加的test，所以我们参数是test.：

 combine_tessdata test.

完成后就生成一个test.traineddata的语言文件了，放Tesseract-OCR\tessdata语言文件夹下。到时候用就指定语言参数就好了，比如：

 tesseract 1.png -l test stdout 1

这时候去看1.txt生成的内容就是你语言包训练出来的内容了！

参考文献：
Tesseract如何直接将识别结果输出到命令行
利用jTessBoxEditor工具进行Tesseract-OCR样本训练
使用Tesseract训练图片的方法
Tesseract-OCR-04-使用 jTessBoxEditor 提高文字识别准确率
Tesseract-OCR的简单使用与训练
Tesseract-OCR命令行使用