使用jTessBoxEditorFX训练Tesseract-OCR教程

使用jTessBoxEditorFX训练Tesseract-OCR教程

注：1，工具是JAVA编写的，所以在使用工具之间，需要安装JAVA环境。

2，安装Tesseract-OCR应用程序，并将目录添加到环境变量中，方便使用cmd调用命令。

 

步骤一:使用画图软件生成要训练的.tif文件，本例做了34个.tif文件，如下：

注：图片的格式不限定。我使用灰度图像。

步骤二：使用jTessBoxEditorFX将所有.tif文件合并成一个.tif文件，如图：

并在该目录下可以看见合并后你所命名的tif文件。如图：

文件名的格式有限制。[lang].[fontname].exp[num].tif

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

例子：num.font.exp0.box

比如我们要训练自定义字库 ec 字体名:unfont 
那么我们把tif文件重命名 ec.ufont.exp0.tif

打开cmd窗口，输入以下命令，生成 .box文件 
tesseract ec.ufont.exp0.tif ec.ufont.exp0 batch.nochop makebox （主要使用这个命令）
使用训练过的字库生成.box文件 
tesseract ec.ufont.exp0.tif ec.ufont.exp0 -l ufont batch.nochop makebox

注：l是L的小写。

先前自己定义tessdata的环境变量 TESSDATA_PREFIX
值为 E:\tesseract\tessdata，就是字库的路径。

并在该目录下会生成ec.ufont.exp0.box文件，如图：

 

步骤四：使用jTessBoxEditorFX工具选择Box
Editor-Open，打开tif文件(此时同名的tif、box文件必须同处一个目录下，我都给他放在tesseract安装目录下了)，如下图：

 

步骤三：打开cmd窗口，输入以下命令，生成box文件，如图：tesseract
 [lang].[fontname].exp[num].tif  [lang].[fontname].exp[num] batch.nochop
makebox

tesseract ec.ufont.exp0.tif  ec.ufont.exp0  batch.nochop makebox 查看所有文件并校正错误的文件，如图：

双击红色箭头处，将其修改为台，并单击character 后的后，单击save。矫正完毕。

---

1. 产生字符特征文件 .tr

tesseract
ec.ufont.exp0.tif ec.ufont.exp0 nobatch box.train 
这一步将会产生 ec.ufont.exp0.tr文件和一个 ec.ufont.exp0.txt文件,txt文件貌似没什么用，看看而以。

2.计算字符集(生成unicharset文件） 
unicharset_extractor ec.ufont.exp0.box

3.定义字体特征文件 
—Tesseract-OCR3.01以上的版本在训练之前需要创建一个名称为font_properties.txt的字体特征文件 
手工建立一个文件font_properties.txt 
内容如：ufont 0 0 0 0 0 
注意:这里 必须与训练名中的名称保持一致,填入下面内容 ,这里全取值为0，表示字体不是粗体、斜体等等。注：[fontname]:即是ec.ufont.exp0中的ufont。公司文档会加密，编辑后一定要进行解密，否者虽然不会报错，但是运行没有反应。

4.聚集字符特征 
1) shapeclustering -F font_properties.txt -U unicharset ec.ufont.exp0.tr 
注意：如果font_properties不加扩展名.txt，可能会报错 
2) mftraining -F font_properties.txt -U unicharset -O unicharset
ec.ufont.exp0.tr 
使用上一步产生的字符集文件unicharset，来生成当前新语言的字符集文件unicharset。同时还会产生图形原型文件inttemp和每个字符所对应的字符 
特征数文件pffmtable。最重要的就是这个inttemp文件了，他包含了所有需要产生的字的图形原型。 
3)cntraining ec.ufont.exp0.tr 
这一步产生字符形状正常化特征文件normproto。 
shapeclustering 操作不是必须的，若没有进行此步，在mftraining的时候 会自动进行。 
5.改名字 
把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上ufont.

6.执行combine_tessdata ufont. 
然后把ufont.traineddata放到tessdata目录

注：一定不要忘记加ufont后面的那个点

7.测试 
必须确定的是第type 1、3、4、5的数据不是-1，那么一个新的字典就算生成了。 
tesseract ec.ufont.exp0.tif papapa -l ufont

tesseract也提出，通过使用多个语言训练库联合使用。如此，新的字体训练库也可以与原有的数据训练库联合使用。如参数 -l 之后 tesseract input.tif output -l eng+newfont。

cntraining和mftraining只能最多采用32个.tr文件，因此，对于相同的字体，你必须从多种语言中，以字体独立的方式，将所有的文件cat到一起来让32种语言结合在一起。cntraining/mftraining以及unicharset_extractor命令行工具必须各自由给定的.tr和.box文件，以相同的顺序，为不同的字体进行不同的过滤。可以提供一个程序来完成以上的事情，并在字符集表中挑出相同字符集。这样会将事情更简单些。