• 首页
  • 狐文
  • 狐图
  • About
狐窝
OvO
  1. 首页
  2. 未分类
  3. 正文

Tesseract-OCR 训练中文

2017年08月08日 305点热度 0人点赞 0条评论

2016-03-01 18:35 from---http://blog.csdn.net/yongshi6/article/details/50773760

为了提高Tesseract库的中文识别率,可以对它进行中文字的训练。

1.首先安装Tesseract。这里注意要安装,因为安装的程序里面包含其他训练用到的程序,编译版本没有这些工具。


2.下载jTessBoxEditor工具。这个工具是Java写的,运行需要JRE。这个工具主要是用来修改BOX文件的,用来校对文字。下图为该工具的目录,直接点击红框中的程序即可跑起来。


这次准备让库可以识别取消这两个字,准备了5张图:


3.生成tif格式的文件

最好将图片都放在Tesseract库的安装目录下,然后就在这个目录下进行操作。点击jTessBoxEditor的Tools按钮中的Merge TIFF。然后将我们做样本的5张图片全部选中,点击打开。这时候会弹出另一个保存对话框,就是我们想要的tif文件,对于tif文件命名规则 [lang].[fontname].exp[num].tif。其中lang是语言,fontname是字体。按自己需求自行设定即可。点击保存,这时候目录下就有我们的tif文件了。




4.生成BOX文件

首先打开命令行,进入Tesseract目录,输入命令:tesseract.exe chi.myself.exp0.tif chi.myself.exp0 batch.nochop makebox



5.校对文字

用jTessBoxEditor打开刚才生成的tif文件


我们会发现,文字显示的信息是不对的。


我们需要把每张图片的Char目录下的字符都改正过来。现在的Tesseract库将 取消 识别成了四部分,所以有1,2,3,4四行,我们需要它校正对两行,而且字符应该是 取消 。如下操作:



这个时候这两部分就合在一起了。但是Char这列显示的是 H,应该改成取。如下操作:


其他的字符同样操作,最后的效果就是这样了:


我这里一共有5张图,都把他们改好以后,点击Save即可。这时候我们可以看一下chi.myself.exp0.box文件(记事本打开即可),会发现里面做好了校正。


注:这步校正工具也可以在box文件里直接进行,但容易出错。

6.生成.tr文件

tesseract.exe  chi.myself.exp0.tif chi.myself.exp0  nobatch box.train


7.生成unicharset文件。

unicharset_extractor chi.myself.exp0.box



7.新建font_properties文件

用记事本新建一个明文font_properties文件,内容格式为:

<fontname> <italic> <bold> <fixed> <serif> <fraktur>

用记事本如:myself 0 0 0 0 0  记住是5个0。

7.运行下面三条命令:

shapeclustering.exe -F font_properties.txt -U unicharset chi.myself.exp0.tr
mftraining.exe -F font_properties.txt -U unicharset -O unicharset chi.myself.exp0.tr
cntraining.exe chi.myself.exp0.tr


8.重命名

把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上myself.  注意有 点 。如下图:

执行命令

combine_tessdata myself.

生成这个文件,说明我们成功了。

将该文件拷贝到tessdata文件里,就可以进行测试使用了

标签: 暂无
最后更新:2017年08月08日

OvO

狐狸

点赞
< 上一篇
下一篇 >
最新 热点 随机
最新 热点 随机
EFI Shell 命令参考命令 说明 证书的SCT相关 ssl证书生成时插入OID TrueNAS SCALE docker安装使用联合文件系统mergerfs Iptables 端口(流量)转发 如何在GIT中删除第一个提交 TrueNas 虚拟机无法连接主机 dnsmasq ipset iptables 实现对流量进行分流 新版 Ubuntu 修改IP DCHP K3S 创建portainer 通过声音进行数据传输 Windows精简部署相关简易内容 ConstraintLayout 和 Coordinator 对比 Android 为View分配id wireshark解析TCP tcpdump rpcapd 相关编译方法 双网卡调整优先级 Android 禁用IPv6
EFI Shell 命令参考命令 说明
添加SCOTT实例步骤 debian SSD ext4 4K 对齐 python selenium 爬虫页面滚动条滚动到页面底部 ORACLE递归查询 Oracle 树操作(select…start with…connect by…prior) 原 Intelij IDEA 导入 Maven 项目后自动切换 JDK 到 1.5 的解决方案 FreeNAS相关资料 SQL Server中利用正则表达式替换字符串的方法 提取安卓的Linux内核和驱动 Linux下弹出U盘的代码 由此次阿里云事件谈粗暴的安全防护手段 15个最受欢迎的Python开源框架 安裝unstable Release Debian方式 Tesseract-OCR 字符识别---样本训练 Android 系统上的 Xposed 框架中都有哪些值得推荐的模块? CentOS 7 中firewall-cmd命令 Debian8 更新源配置 Ubuntu Server命令行下中文乱码的解决方法 删除Maven仓库无用的版本
标签聚合
下载 ssl 密码 android 编译 docker chrome com 网卡 http git windows ipv https 未分类 linux

COPYRIGHT © 2020 狐窝. ALL RIGHTS RESERVED.

THEME KRATOS MADE BY VTROIS