Tesseract-OCR的训练

经过参照多方资源视频，最终得出最后版本Tesseract-OCR的训练模型：

准备工作：

下载：Testeract下载：https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-v5.0.0.20190623.exe

Java-jdk下载：https://download.oracle.com/otn-pub/java/jdk/15.0.1+9/51f4f36ad4ef43e39d0dfdbaf6549e32/jdk-15.0.1_windows-x64_bin.exe?AuthParam=1605080278_e0ff372e5b0d7a2e8354448c3be0b2a4

testeract的训练工具下载：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

切记一定要选择不带FX的文件！！！！

.

.

.

1、安装：

Tesseract-OCR安装：

直接傻瓜式安装，切记一定要记住安装的目录，然后在电脑的系统环境变量中进行编辑

系统环境中进行添加编辑

Java环境配置：

因为jTessBoxEditor 是Java开发的，所以必须配置Java的环境

下载完毕之后傻瓜式安装，然后还是记住安装的目录，同样配置环境变量：

例如：

我的安装位置在F盘，记住位置即可，在用户变量中添加：JAVA_HOME

使得在使用Java环境时候能迅速找到，不需要进行查找，结果：

在系统环境变量中添加

安装jTessBoxEditor：

提醒：因为是国外网站，所以我们在下载的时候速度为异常的缓慢，可以安装迅雷软件，然后复制到下载地址在迅雷中下载，速度将会百倍提升（切记：不要下载结尾为FX的文件，安装之后也无法使用，不知道为什么）

下载完毕之后直接解压即可

双击直接打开

2、训练

1）点击Merge TIFF。
2）文件类型选择All Image Files，选择样本图片，点击打开。

3）文件名输入num.font.exp0.tif，文件类型选择TIFF，点击保存。

4）在文件保存的目录中执行cmd以管理员身份运行

5）进入Tesseract-OCR安装目录。

执行命令:

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

生成的box文件为num.font.exp0.box，box文件为Tesseract识别出的字符及其坐标。

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。

生成文件

6）运行jTessBoxEditor工具，点击Box Editor。

7）点击Open。

8）选择之前生成的num.font.exp0.tif，点击打开。

9）可以看出有些字符识别的位置不准确，可以通过该工具手动对每张图片中识别错误的字符和位置进行校正。校正完成后保存即可。

最重要的一步，可以点击下一页，图片越多准确率越高

注: 这里必须修改识别错误的字符，否则做出来的traineddata文件也是错的。可以在下面的界面中修改并保存，也可以直接在traineddata文件中修改。

10）创建一个font_properties.txt的文件，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。

一定要把.txt文件后缀删除，否则无法生成训练结束的字体文件

11）执行批处理文件
在目标目录下生成一个批处理文件

rem 执行改批处理前先要目录下创建font_properties文件 
echo Run Tesseract for Training.. 
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train 
 
echo Compute the Character Set.. 
unicharset_extractor.exe num.font.exp0.box 
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr 


echo Clustering.. 
cntraining.exe num.font.exp0.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

双击执行

最终获得：num.traineddata

此文件即为语言模块，直接复制到你安装的Tesseract-OCR文件中：例如：

F:\python_other\Tesseract-OCR\tessdata

复制到tessdata文件中即可使用：
如何查看：tesseract --list-langs
可看到自己的语言已经多出来num这个语言，所以为自定义名称。

如果说没有找到num.traineddata，那么看看你的font_properties文件是不是携带了.txt后缀

今日份分享结束。如过哪里有问题可以留言评论，大家一起探讨