图像识别学习记录——通过训练提高数字识别的准确率

 

根据这两篇：

https://www.cnblogs.com/cnlian/p/5765871.html

https://blog.csdn.net/sylsjane/article/details/83751297

 

1、先准备训练图形。

用photoshop建立6个图像文件用于训练。颜色模式，我用32位，后面生成box文件会失败。用16位就行。

创建的6个tif图像文件：

 

2、下载训练工具 jTessBoxEditor ：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

解压缩。由于这是一个java开发的工具，需要jre环境。运行批处理文件 train.bat，如果不能运行，需要先装上jre。

运行批处理文件 train.bat，出现了jTessBoxEditor界面。

运行菜单： tools——merge tiff

选中上面生成的6个tif文件并点击打开：

保存为同文件夹中文件名：num.font.exp0.tif

3、然后命令行，进入上面文件夹，运行：

tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox

 

生成文件： num.font.exp0.box

4、本文件夹内新建一个文本文件：font_properties，内容为：

font 0 0 0 0 0

注：【语法】：       

fontname为字体名称，italic为斜体，bold为黑体字，fixed为默认字体，serif为衬线字体，fraktur德文黑字体，1和0代表有和无，精细区分时可使用。

5、打开 jTessBoxEditor，BOX Editor -> Open，打开num.font.exp0.tif，进行数字矫正。

这个7被识别为1，修改一下。

以及9被识别为4，都要修改。

一共6页，每页都要修改。

完成后保存

6、生成box文件：

tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox

注：Make Box File 文件名有一定的格式，不能随便乱取名字，命令格式为：

tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox

其中lang为语言名称，fontname为字体名称，num为序号，可以随便定义。

生成了box文件： num.font.exp0.box

7、生成训练文件

制作一个批处理文件 do.bat

echo Compute the Character Set.. 
unicharset_extractor.exe num_all2.box 
mftraining -F font_properties -U unicharset -O num.unicharset num_all2.tr 

echo Clustering.. 
cntraining.exe num_all2.tr 

echo Rename Files.. 
rename normproto num.normproto 
rename inttemp num.inttemp 
rename pffmtable num.pffmtable 
rename shapetable num.shapetable  

echo Create Tessdata.. 
combine_tessdata.exe num. 

echo. & pause

运行，生成文件 num.traineddata，把这个文件复制到Tesseract-OCR安装文件夹的：\tessdata 文件夹中

8、测试一下

首先试一下不用训练数据的准确度：

tesseract num_1.tif output_1 -l eng

输出：1234561840

然后使用训练数据：

tesseract num_1.tif output_1 -l num

输出：1234567890

可以看到准确率提高了。