Tesseract-OCR 字库训练

文章目录

一、环境搭建

安装Tesseract-OCR自带下载中文字库进行识别！但是在实际使用识别效果不佳，
为了提高识别效果所以决定根据所需要的识别的内容训练字库！
字库的训练最好在Tesseract-OCR的安装目录下进行。

1. 下载Tesseract-OCR引擎：​​详情请点击​​。
2. jTessBoxEditor 下载：https://www.softpedia.com/get/Multimedia/Graphic/Graphic-Others/jTessBoxEditor.shtml
   ​​​ https://github.com/tesseract-ocr/tesseract/wiki/AddOns​​jTessBoxEditorFX 2.0下载： https://dl.pconline.com.cn/download/1060986.html
   解压：
   
3. 下载jdk-8u201-windows-x64.exe，并安装JRE环境。(jTessBoxEditor是用java开发的依赖于Java)
   jdk-8u201-windows-x64.exe下载地址（需要注册登录）
   ​​​ https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html​​
5. 运行train.bat，就可以打开jTessBoxEditor工具。

二、用jTessBoxEditor训练数字

先将步骤整理如下：
下载chi_sim.traindata字库。要有这个才能识别中文。下好后，放到Tesseract-OCR项目的tessdata文件夹里面。

2.1 示例一：

2.1. 准备图片：

2.1.2 合并样本图片

执行​​train.bat​​​启动jTessBoxEditorFX，选择菜单Tools->Merge TIFF 执行图片合并，选中上面将5张tif图片文件，合并为1个tif文件命名为：​​num.hand_num.exp0.tif​​，关闭jTessBoxEditorFX。

合成图片后，我们可以预览一下。查看刚才合成的图片。

【语法】：

​​[lang]​​​. ​​[fontname]​​​.exp[ ​​num​​].tif

lang为语言名称

fontname为字体名称

num为序号，可自定义。

2.1.3 生成box文件
终端进入合成的tif图片文件夹下执行(无特别申明都是在此目录下运行终端命令)：
​​​tesseract num.hand_num.exp0.tif num.hand_num.exp0 [-l eng --psm 7] batch.nochop makebox​​

以上

​​[ ]​​中的内容当返回Empty page的时候可以加上.

​​-psm 7​​ 表示用单行文本识别，

​​-l eng​​ 表示使用英语语言.

2.1.4 字符纠正

执行train.bat启动jTessBoxEditorFX，点击Box Editor，再点击Open选中之前生成的合并样本图片​​num.hand_num.exp0.tif​​，其对应的box文件会自动加载。

检查修改每页中的各个数字字符解析结果，有不正确的修改，完成后保存替换原box文件。

2.1.5 创建font_properties文件

创建字体属性文件​​font_properties​​，该文件为文本文件，但没有扩展名。

终端执行：​​echo hand_num 0 0 0 0 0 >font_properties​​

【语法】：​​<fontname> <italic> <bold> <fixed> <serif> <fraktur>​​​ fontname为字体名称，
italic为斜体，
bold为黑体字，
fixed为默认字体，
serif为衬线字体，
fraktur德文黑字体，
1和0代表有和无，精细区分时可使用。

2.1.6 生成训练文件

终端执行：​​tesseract num.hand_num.exp0.tif num.hand_num.exp0 -l eng --psm 7 nobatch box.train​​ 运行后在目标文件夹生成文件num.hand_num.exp0.tr。

2.1.7 生成字符集文件
终端执行：​​​unicharset_extractor num.hand_num.exp0.box​​ 运行后在目标文件夹生成文件unicharset。

2.1.8 生成shape文件

终端执行：​​shapeclustering -F font_properties -U unicharset -O num.unicharset num.hand_num.exp0.tr​​ 运行后在目标文件夹生成文件num.unicharset和shapetable。

2.1.9 生成聚集字符特征文件

终端执行：​​mftraining -F font_properties -U unicharset -O num.unicharset num.hand_num.exp0.tr​​

运行后在目标文件夹生成文件inttemp和pffmtable。

2.1.10 生成字符正常化特征文件
终端执行：​​​cntraining num.hand_num.exp0.tr​​ 运行后在目标文件夹生成文件normproto。

2.1.11 对特征文件更名，终端执行：
​​​rename normproto hand_num.normproto​​​​rename inttemp hand_num.inttemp​​​​rename pffmtable hand_num.pffmtable​​​​rename unicharset hand_num.unicharset​​​​rename shapetable hand_num.shapetable​​

2.1.12 合并训练文件

终端执行：​​combine_tessdata hand_num.​​ 注意命令中最后有个小数点，运行后在目标文件夹生成文件hand_num.traineddata。

2.1.13 将最终生成的训练数据文件hand_num.traineddata复制到Tesseract-OCR软件安装路径的tessdata目录下，以后Tesseract即可将其作为新的语言识别包使用。随机从上面5张手写数字图片中截取数字，拼成由一串数字构成的手机号码digit.png，然后对比训练前后的识别效果。

不使用训练后的语言包，直接使用默认识别

​​tesseract digit.png digit1​​ 识别结果：1390652649]

使用训练后的语言包来识别
​​​tesseract digit.png digit2 -l hand_num​​ 识别结果：13908526497

三、 用jTessBoxEditor训练中文字库

1. 先把训练用样本图像准备好。
2. 打开 jTessBoxEditor ，选择 Tools -> Merge TIFF，打开对话框，选择训练样本所在文件夹，并选中所有要参与训练的样本图片，注意对话框中“文件类型”的选取png
3. 之后有打开对话框，输入“chi_my.font.exp0.tif”，格式为tiff。其中chi_my可改为自己定义。会生成chi_my.font.exp0.tif文件。
4. 生成“chi_my.font.exp0.box” 文件；在命令行下执行
   ​​tesseract chi_my.font.exp0.tif chi_my.font.exp0 -l chi_sim batch.nochop makebox​​​​tesseract chi_my.font.exp0.tif chi_my.font.exp0 -l eng batch.nochop makebox​​
5. 打开 jTessBoxEditor ，点击 Box Editor -> Open，选择chi_my.font.exp0.tif文件。
6. 调整识别错误的情况。尤其是图像，字符比较多的情况。
   注意、修改后的保存需点击界面上charater后的标识为设置图标的button后，再点击save按钮。
7. 创建字体特征文件
   echo font 0 0 0 0 0>font_properties
   会生成“font_properties” 文件。文件size显示为0字节。其实里面有‘“font 0 0 0 0 0”’内容。
8. 训练
   ​​tesseract chi_my.font.exp0.tif chi_my.font.exp0 -l eng -psm 7 nobatch box.train​​
9. 生成字符集文件
   unicharset_extractor chi_my.font.exp0.box
   生成 “unicharset” 文件。
10. 生成shape文件，聚集字符特征文件，字符正常化特征文件等四个文件。

• 命令​​shapeclustering -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr​​ 生成 “shapetable”“inttemp”“pffmtable” 文件。
• 命令​​mftraining -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr​​ 生成 “pinyin.unicharset” 文件。
• 命令​​cntraining langyp.fontyp.exp0.tr​​ 生成 “normproto” 文件。

11. 更名，合并训练文件
    rename normproto langyp.normproto
    rename inttemp langyp.inttemp
    rename pffmtable langyp.pffmtable
    rename unicharset langyp.unicharset
    rename shapetable langyp.shapetable
    合并训练文件，
    combine_tessdata langyp.
    生成langyp.traineddata文件。
12. 将生成的 “langyp.traineddata” 语言包文件拷贝到tesseract的tessdata 目录下，
    就可以用它来进行中文字符识别了。

附加

自动化字库训练脚本

待续

实例：
G:\Program Files (x86)\jTessBoxEditorFX\samples\pinyin>unicharset_extractor pinyin.font.exp0.box
Extracting unicharset from pinyin.font.exp0.box
Wrote unicharset file ./unicharset.
G:\Program Files (x86)\jTessBoxEditorFX\samples\pinyin>shapeclustering -F font_properties -U unicharset -O pinyin.unicharset pinyin.font.exp0.tr
Reading pinyin.font.exp0.tr …
G:\Program Files (x86)\jTessBoxEditorFX\samples\pinyin>mftraining -F font_properties -U unicharset -O pinyin.unicharset pinyin.font.exp0.tr
Read shape table shapetable of 27 shapes
G:\Program Files (x86)\jTessBoxEditorFX\samples\pinyin>cntraining pinyin.font.exp0.tr
Reading pinyin.font.exp0.tr …
Clustering …

G:\Program Files (x86)\jTessBoxEditorFX\samples\pinyin>combine_tessdata pinyin.
Combining tessdata files

鸣谢
​​​ ​​​ 自动训练3500常用汉字
官方字库：https://github.com/tesseract-ocr/tesseract/wiki/Data-Files#format-of-traineddata-files