Tesseract训练如何加入中文常见字体

为什么要加中文字体？

医院内部的pacs系统，都运行在windows上，为了能正常和最好的显示中文，一定会选择中文字体。
从测试结果上看，字体对OCR的识别率影响比较大，因此，训练使用的字体应该包含医院pacs内的字体，才能有最佳的识别率。
Ubuntu内部是没有windows常见的字体的（版权问题），需要将windows的常见字体安装到Ubuntu内部，才能进行中文字体的OCR训练。

如何加入中文字体？

从windows里拷贝过来即可，ttf格式是一种通用格式。
进入windows系统盘的/Windows/Font,将里面的文件都拷贝到Ubuntu里。
Ubuntu有多个Font文件夹，作者拷贝到Ubuntu用户的文件夹里（/.local/share/fonts或/.fonts都可以，fc-cache -fv会从这两个路径搜索）
然后执行fc-cache -fv即可加载生效。

应该加入什么中文字体？

windows常见字体

中文字体数之不尽，不可能穷尽，只能采用最常用的字体进行训练。
windows常见字体可以参考网文 >注：在XP系统中，没有仿宋、楷体，只有仿宋_GB2312和楷体_GB2312这两种字体。但是到了Win7系统，却只有仿宋和楷体，没有了仿宋_GB2312和楷体>_GB2312这两种字体。所以在XP系统下制作的公文在Win7系统中打开，全部转换成系统默认的微软雅黑字体。而在Win7系统下制作的公文在XP系统中打开，全>部转换成系统默认的宋体。 根据以上建议，中文训练字体为：微软雅黑，宋体，仿宋，新宋体，楷体以及黑体。（Microsoft YaHei, SimSun, FangSong, NSimSun, KaiTi, SimHei)

非常见字体

不常见的字体如果模型泛化效果不好，则需要从医院pacs内的拿回截屏图片进行分析（不是手机拍照！）（Ubuntu服务器项目根目录的ocr_images内有）
将有效内容的截屏图片放到[在线字体识别网站]（https://www.likefont.com/）中进行分析，可以大概率分析出可能的字体（建议加人眼对比判断选择）
然后搜索和下载对应的字体，拷贝到Ubuntu的Fonts文件夹里，将训练过程新增该字体，进行模型的重新训练即可。

查看系统字体情况

字体查看和管理

如果需要了解字体的示例效果等，可以sudo apt install font-manager，会有UI界面很直观的进行展现。

罗列所有字体

fc-list :lang=zh