Tesseract OCR识别（根据字符特征生成字库）

本人实现了基于Tesseract字库训练的三种方式：一从头开始训练（官方不推荐使用此方法，亲身实践后，得知从头训练的字库非常差）；二是在现有模型进行微调训练，如果你训练的是英文与数字，只是字体和普通字体有差别，就可以在github网页中找到traineddata_best里traineddata文件的eng.traineddata作为微调训练的初始模型；第三则是根据字符特征生成字库。这篇文章介绍方式三。（个人认为方式三精度更高）

一、准备工作（资料下载）

这里将罗列出实现基于字符特征生成字库的Tesseract OCR识别所需要的资料。
1.首先就是下载Tesseract-OCR，我安装的是tesseract-ocr-w64-setup-v5.2.0.20220712.exe，默认路径：

还要配置环境，找到系统属性，如下

点击环境变量-系统变量-Path，新建C:\Program Files\Tesseract-OCR

在系统变量中新建变量名TESSDATA_PREFIX,变量值C:\Program Files\Tesseract-OCR\tessdata。

以上环境就配置好了。
另外可以打开命令终端cmd，输入：tesseract -v，查看其版本信息。

2.Tesseract官方提供的语言包：traineddata文件，如果你要训练的是中文便是chi_sim.traineddata，英文是eng.traineddata，将其下载到自己电脑的tessdata文件夹下。

3.还有个重要步骤，就是生成训练用的tif和box文件，我调整box坐标用的是jTessBoxEditor，解压缩到目录，该工具是用JAVA开发的，所以需要配置java环境。

二、具体实现步骤

1.可以先将待识别英文.png图像逐个转换为.tif（例如利用画图软件ps实现，文件–脚本–图像处理器），打开jTessBoxEditor，点击Tools–Merge Tiff ，随后打开选择全部.tif文件，例如命名cont1.semi.exp1.tif，保存，这边生成了一个整合的tif文件。
2.以管理员方式打开命令终端窗口，并cd到Tesseract-OCR文件夹下：

cd C:\Program Files\Tesseract-OCR

根据tif文件生成box文件：

tesseract cont1.semi.exp1.tif cont1.semi.exp1 -l  eng --psm 0  batch.nochop makebox

3.生成box文件之后，还需要打开jTessBoxEditor来对box坐标进行修正，步骤：Box Editer–Open 打开tif文件，注意box文件要和tif文件同名及相同位置且box文件可用记事本打开。每张操作完都要记得点击save。
如果图像很多且图像每张只有一个字符，一张一张修改很麻烦，这时就需要Excel中数据–从文本/CSV将所有坐标改为0 0 图像宽-1 图像高，这便将坐标修改好了，这时再用jTessBoxEditor打开对 Char进行修改。

4.生成tr文件，这里psm为13，参数常用数值：7 =将图像视为单个文本行；10 =将图像视为单个字符。

tesseract cont1.semi.exp1.tif cont1.semi.exp1 --psm 13 nobatch box.train

生成unicharset文件：

unicharset_extractor cont1.semi.exp1.box

新建font_properties.txt记事本，内容为：semi 0 0 0 0 0

shapeclustering -F font_properties.txt -U unicharset cont1.semi.exp1.tr

聚集字符特征：

mftraining -F font_properties.txt -U unicharset -O unicharset cont1.semi.exp1.tr

cntraining cont1.semi.exp1.tr

将从生成的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件名前面加上semi，和并生成semi.traineddata。

combine_tessdata semi.

将生成的semi.traineddata文件放到tessdata文件夹下，便可以运行下面代码进行测试：

tesseract C:\Users\na\Desktop\semi\6.png result -l semi --psm 13