Tesseract-OCR识别中文之---训练自定义字库生成语言包

在之前已经说明过Tessract-OCR识别(手写|通用字体)中文了,只不过使用的是官方的汉字库,

https://blog.youkuaiyun.com/weixin_37794901/article/details/83343092;

若想提高针对几个汉字的识别,可以自己训练文字库生成语言包,这里采用的是比较智障的方式手动机器训练哈;

 

1.工具:

     1)安装好Tesseract-OCR  2)训练工具 jTessBoxEditor (需Java环境),具体如何使用可以网上捞;

2.demo(window10环境)

    1)将测试的图片(带有中文的)转换成tiff格式:https://www.aconvert.com/cn/image/jpg-to-tiff/

    2)文件命名的格式:

       tif文面命名格式[lang].[fontname].exp[num].tif,

       lang是语言 fontname是字体,比如我们要训练自定义字库 mjorcen字体名normal,那么我们把图片文件重命名                                       mjorcen.normal.exp0.jpg在转tif。   

   3)生成box文件

       进入tesseract安装目录,dos命令:

       tesseract mjorcen.normal.exp0.jpg mjorcen.normal.exp0 -l chi_sim batch.nochop makebox

   4)打开校验工具,训练文字

     

  dos命令:

tesseract  mjorcen.normal.exp0.jpg mjorcen.normal.exp0  nobatch box.train

unicharset_extractor mjorcen.normal.exp0.box

   5)新建一个font_properties文件

   dos命令:echo normal 0 0 0 0 0 >fileName_properties

   6) 生成语言包

     dos命令:

     shapeclustering -F font_properties -U unicharset mjorcen.normal.exp0.tr

     mftraining -F font_properties -U unicharset -O unicharset mjorcen.normal.exp0.tr

     cntraining mjorcen.normal.exp0.tr

     将生成的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上normal. 方便合成

     combine_tessdata normal.

     最后得到: