tesseract 训练自己的字库说明

tessecract训练数据,OCR      

  如果你的数据不止一个tif你可以使用jTessBoxEditor工具合并成一个tif文件。因为我这里只有一个图片,所以就不需要打包成一个文件了,图片的名字有一定命名要求的,比如可以num.font.exp0.tif,我这里命名的是myfontlab.normal.exp0.tif

1.制作自己的box:
tesseract myfrontlab.abcd.exp0.tif myfrontlab.abcd.exp0 -l chi_sim batch.nochop makebox

2.使用jTessBoxEditor  打开tif文件,调整文字

3.产生特征文件

tesseract myfrontlab.abcd.exp0.tif myfrontlab.abcd.exp0 nobatch box.train

4.生成一个unicharset文件

unicharset_extractor myfrontlab.abcd.exp0.box

5.定义字体特征文件 font_properties

6.聚集字符特征

shapeclustering -F font_properties -U unicharset myfrontlab.abcd.exp0.tr

mftraining -F font_properties -U unicharset -O unicharset myfrontlab.abcd.exp0.tr

生成五个文件

cntraining myfrontlab.abcd.exp0.tr

修改五个文件相关的文件名,全部增加normal.

combine_tessdata normal.

验证字体
tesseract myfrontlab.abcd.exp0.png result1 -l normal

### 使用 Tesseract 进行 OCR 训练以创建自定义字体库 为了使用 Tesseract 创建并训练自定义字体库,需遵循一系列特定步骤来准备数据集、生成字形图像以及完成模型训练。以下是详细的流程说明: #### 准备环境 确保已安装最新版本的 Tesseract 及其依赖项。可以从 GitHub 发布页面获取源码进行编译安装[^1]。 ```bash git clone --depth=1 https://github.com/tesseract-ocr/tesseract.git cd tesseract mkdir build && cd build cmake .. make sudo make install ``` #### 收集样本图片 收集足够的高质量字符图像作为训练素材非常重要。这些图像是由目标字体渲染而成的文字片段,通常保存为 TIFF 文件格式。每张图片应只包含单个字符,并且背景尽可能简单干净以便于识别处理。 #### 字符分割与标注 利用 `tesseract` 命令行工具中的参数选项 `-l eng batch.nochop makebox` 来自动提取文字框位置信息并将其转换成 boxfile 形式用于后续校正工作。此过程会生成 `.box` 文件记录各字符的具体坐标范围及其对应标签。 ```bash tesseract myimage.tif myoutput batch.nochop makebox ``` 手动调整产生的 .box 文件内容以提高准确性;也可以借助第三方软件如 JOS 合作伙伴提供的 Box Editor 工具辅助编辑操作。 #### 生成特征文件 通过运行以下命令可以基于修正后的 boxfiles 和原始图像生成 tr 文件——这是用来构建 LSTM 模型的基础材料之一。 ```bash tesseract myimage.tif myoutput nobatch box.train.stderr unicharset_extractor *.box shapeclustering -F font_properties -U unicharset *.tr mftraining -F font_properties -U unicharset -O myfont.unicharset *.tr cntraining *.tr ``` 上述指令将会输出多个中间产物,其中最重要的是三个:inttemp, pffmtable, normproto 它们共同构成了最终所需的语言包组成部分。 #### 构建语言模型 最后一步就是把之前得到的各种资源打包组合起来形成完整的 tessdata 文件夹下的 lang.traineddata 文件供实际应用调用。 ```bash combine_tessdata myfont. ``` 至此便完成了整个针对新字体类型的定制化训练全过程。值得注意的是,在正式投入使用前建议先经过充分测试验证效果再考虑部署上线。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值