Tesseract-OCR 训练中文

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>

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