番外篇：基于tesseract的光学字符训练

前提环境

1. Tesseract
2. jTessBoxEditor
3. java运行环境

附图为jTessBoxEditor执行目录所有的文件：

制造字体

制造字体需要明确需要检测的字体类型，例如需要检测的目标字体为宋体，那么就可以在输入文字的时候把字体的系列改成宋体，如下为笔者需要OCR识别的字体。

制造makebox文件

1. 命令提示符下进入需要制作图片的路径。
2. 输入以下命令。

> tesseract zh_CN6.song.exp0.tif zh_CN6.song.exp0 batch.nochop makebox.

纠正字体

1. jTessBoxEditor 打开tif文件（makebox）。
   
2. 点键钮 open。
   
3. 修改字体。
   具体细节：左边是系统自带字库识别出来的字符，右边是实际的字符
   字符训练就是把这些识别错误的改为正确的。
   如下图，点击选框 ，选框内的字符为‘数’，系统识别出来的为英文字母 ‘n’，
   我们需要把左边选框‘n’改为‘数’，并保存。修改字符后，点按纽save 保存修改后的结果。
   
   下面辅助功能：
   Merge 融合 :将右边实际字符两个选区合并成一个选区
   Split：分割右边字符区域
   Insert：右边实际字符插入选区
   Delete：右边实际字符删除选区
   
4. 例如
   
   vivo 这里识别为四个字符
   可以通过merge，将其改为一个字符区域
   
   选中四个区域点击merge。
   
   此处是英文，所以分开识别没有问题， 但是对于汉字识别这个功能有意义了。
   中文汉字左右偏旁可能被识别为两个字，因此我们需要把两个字符选取合并为一个字符选区。
   其他Split： Insert： Delete：用法类似，自己可以尝试。

修改box文件

执行下面命令。

> tesseract zh_CN6.song.exp0.tif zh_CN6.song.exp0 nobatch box.train

> unicharset_extractor zh_CN6.song.exp0.box

>  shapeclustering -F font_properties -U unicharset -O unicharset zh_CN6.song.exp0.tr

>  mftraining -F font_properties -U unicharset -O unicharset zh_CN6.song.exp0.tr

>   cntraining zh_CN6.song.exp0.tr

重命名文件

重名名以上5个文件,手动修改文件名也可

mv normproto zh_CN6.normproto
mv inttemp zh_CN6.inttemp
mv pffmtable zh_CN6.pffmtable
mv shapetable zh_CN6.shapetable
mv unicharset zh_CN6.unicharset 

合并文件

>  cntraining zh_CN6.song.exp0.tr

如果过程没问题，最终会有一个traineddata 文件。

转载请标明出处

https://blog.csdn.net/qq_49710945/article/details/107688109