tessract-ocr 3.02 识别库训练与应用

本文主要参考官方文档编写实践而成

识别库训练与应用步骤

通过jtessboxeditor生成.tiff图片合集

打开jTessBoxEditor->Tools->Merge Tiff,选择要识别的.tiff文件，生成图片集保存为totol.tiff

-生成Box 文件

1. 打开命令行定位到刚才totol.tiff文件的目录下。
   我的文件是保存在D:\img下面
   
2. 运行tessract如下命令生成box文件
   
//tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox
tesseract eng.totol.exp0.tif eng.totol.exp0 batch.nochop makebox

   运行完以后img目录下面将生成一个eng.totol.exp0.box文件
3. 打开jTessBoxEditor->Box Editor->open选择之前生成的totol.tiff文件，修正识别结果并保存
   

生成tr文件

运行命令
tesseract eng.totol.exp0.tif eng.totol.exp0 box.train
img目录下面生成了eng.totol.exp0.tr、eng.totol.exp0.txt两个文件

计算训练库的字符集

运行命令
unicharset_extractor eng.totol.exp0.box
img目录下面生成了 unicharset文件

字符属性文件font_properties

1. 新建一个文件font_properties不要拓展名，保存后打开编辑输入
   totol 0 0 0 0 0

聚类

1. 运行命令生成shapetable文件
   shapeclustering -F font_properties -U unicharset eng.totol.exp0.tr
2. 运行命令生成eng.unicharset、inttemp、pffmtable、normproto文件
   mftraining -F font_properties -U unicharset -O eng.unicharset eng.totol.exp0.tr
cntraining eng.totol.exp0.tr

数据字典

1. 这img文件下新建一个words_list文件输入你的文字库
   格式一个字符一行，我这里识别小写字母和数字
   1
2
3
4
5
6
7
8
9
0
a
....
2. 运行命令生成eng.word-dawg文件
   wordlist2dawg words_list eng.word-dawg eng.unicharset

编写unicharambigs文件

unicharambigs文件是用来纠正识别错误的具体含义参照官方文档
v1
1 m 2 r n 0

合成eng.traineddata文件

1. 将hapetable, normproto, inttemp, pffmtable、（unicharambigs）加上lang.前缀(例子是eng.)
2. 运行命令生成traineddata文件
3. combine_tessdata eng.

应用

将eng.traineddata文件复制到tessdata 目录下