tesseract训练方案-jTessBoxEditor

TesseractOcr 安装、使用、训练

1，安装
ocr下载地址：

https://digi.bib.uni-mannheim.de/tesseract/

安装过程中有一点要注意：





等待中文包下载完成即可安装成功。

查看安装信息：tesseract.exe -v

这是因为没有配置环境变量：在我的电脑——>右键属性——>高级系统设置——>环境变量






2，使用

先使用华文行楷进行简单的测试一下准确性：截图保存png就好

直接在图片文件夹使用cmd打开黑窗口，使用命令：

tesseract test.png output_1 -l eng

可以看到识别出来的准确性还是很差的，所以我们要训练！！！

3，训练
如果要训练自己的字库以提高准确性，需要用到 jTessBoxEditor

下载地址：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/



 

就以我们刚刚使用的那个图为例

点击打开之后，会再出来一个弹窗


我们对其命名：num.font.exp0





可以看到，在原图片文件夹中新出来了一个tif图片文件

我们可以根据这个tif文件来生成box文件

tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox

切记：box文件名要和tif文件名保持一致



可以看到，生成的box文件里面对于图片的识别是不准确的，所以我们要训练它。




现在我们可以训练它了


训练之后我们点击保存即可。

接下来就是生成训练过的最新字库了。

先在图片文件夹创建一个font_properties文件，内容为：font 0 0 0 0 0

然后在图片文件夹中创建执行文件：execute.bat

内容为：

echo Run Tesseract for Training..
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train

echo Compute the Character Set..
unicharset_extractor.exe num.font.exp0.box
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr


echo Clustering..
cntraining.exe num.font.exp0.tr

echo Rename Files..
rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable

echo Create Tessdata..
combine_tessdata.exe num.

echo. & pause

此时可以看到我们的文件夹已经有了这几个文件：


直接双击执行execute.bat文件即可


此时我们文件夹多了很多文件


此时我们再打开num.font.exp0.box文件


可以看到里面的内容已经变成最新训练的正确的字体了

如果你打开发现里面的内容没有变化，还是之前的内容，不用担心，将execute.bat生成的文件全部删除，然后重新打开 jTessBoxEditor，然后重新训练保存，然后再双击execute.bat重新生成文件，再打开num.font.exp0.box文件，就可以了。

下面是把新的字库应用到识别中：

我们把num.traineddata复制到tesseract安装目录下tessdata下


然后打开黑窗口进行重新识别

因为我们的文件名是num开头，所以命令要加上num，否则就是使用默认的字库了

tesseract test.png output_2 -l num


此时看到，经过训练后的字库，可以成功识别所有的数字，接下来我们再图片中再加一个0，看是否可以识别到。


可以看到，tesseract OCR将0识别成了6，所以如果想要获得更精准的识别，还是要多训练字库。

tesseract OCR根据训练字库识别内容，依赖于字体，根据被识别的图片的字体，来针对性的进行训练，可以极大的提高识别的精准度。