图像识别学习记录——生成汉字训练库

 

记录一下对这一篇文章的学习过程。https://blog.csdn.net/qq_38190041/article/details/102931415

1、下载  jTessBoxEditorFX。（https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/）

2、制作2个简单的汉字图片。用Photoshop转成16位。

第一个文件，chr1.tif

试试直接识别成什么，输入命令： tesseract chr1.tif outtxt -l chi_sim，得到结果：

我 仇 要 有 充 分

如果没有显示 page1，就说明没有正常执行。比如识别jpg格式的文件：

得到的结果是：

这 秦 非 E 式 发 禹

 

第二个文件，chr2.tif

试一下直接识别，输入命令： tesseract chr1.tif outtxt -l chi_sim，得到结果：

十 五 年 断

 

下面开始生成训练文件。

3、用  jTessBoxEditorFX 把这两个图片合并为一个tif文件。具体按照上一篇的操作。

    生成 chr.font.exp0.tif。要注意文件名格式，[lang].[fontname].exp[num].tif ，lang和fontname、num自己定义。

4、生成box文件。

命令行：tesseract chr.font.exp0.tif chr.font.exp0 -l chi_sim batch.nochop makebox

如果不加参数 -l chi_sim，则生成的box文件中没有汉字，后面用 jTessBoxEditorFX 编辑box文件的时候，在左侧的编辑框中，没有汉字。

5、用  jTessBoxEditorFX ，boxEditor——open，打开 chr.font.exp0.tif 对应图像编辑box文件内容，调整每个汉字及字符对应的图块位置。

前面包含进来了2个图片，所以这里分为2个页面，每个页面都要编辑。

6、定义字体特征文件。

创建一个名称为font_properties的字体特征文件。font_properties不含有BOM头，文件内容格式如下：

 

其中fontname为字体名称，必须与[lang].[fontname].exp[num].box中的名称保持一致。 、 、 、、 的取值为1或0，表示字体是否具有这些属性。

这里在样本图片所在目录下创建一个名称为font_properties的文件，用记事本打开，输入以下下内容：

font 0 0 0 0 0

这里全取值为0，表示字体不是粗体、斜体等等。

7、制作批处理文件 dochr.bat

echo Run Tesseract for Training.. 
tesseract.exe chr.font.exp0.tif chr.font.exp0 nobatch box.train 

echo Compute the Character Set.. 
unicharset_extractor.exe chr.font.exp0.box 
mftraining -F font_properties -U unicharset -O chr.unicharset chr.font.exp0.tr 


echo Clustering.. 
cntraining.exe chr.font.exp0.tr 

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

echo Create Tessdata.. 
combine_tessdata.exe chr. 

echo. & pause

8、将生成的“chr.traineddata”语言包文件复制到Tesseract-OCR 安装目录下的tessdata文件夹中

9、测试

tesseract chr2.tif outtxt -l chr

输出：十五年前