Tesseract-OCR-04-使用 jTessBoxEditor 進行訓練

Tesseract-OCR-04-使用 jTessBoxEditor 進行訓練

• 本篇是關於 jTessBoxEditor 進行訓練，使 Tesseract-OCR 文字識別準確率獲得極大的提升，本篇完善了不少細節，初學者也能夠看懂，一塊兒學習吧！
• 想要一遍成功要細心關注【注意】，我踩過的坑都標出來了

訓練的大體步驟：

• 1.安裝 jTessBoxEditor
• 2.獲取樣本文件
• 3.Merge 樣本文件
• 4.生成 .box 文件
• 5.定義字符配置文件
• 6.字符矯正
• 7.執行批處理文件
• 8.將生成的 num.trainddata 放入 Tesseract 安裝目錄的 tessdata 文件夾裏

1.安裝 jTessBoxEditor

• 下載jTessBoxEditor，地址https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
• 解壓後獲得jTessBoxEditor
  
• 因爲這是由Java開發的，因此咱們應該確保在運行jTessBoxEditor前先安裝JRE（Java Runtime Environment，Java運行環境）
• 沒有安裝 jre 的能夠到官網下載安裝：
  http://www.oracle.com/technetwork/java/javase/downloads/jre8-downloads-2133155.html
  
• jre 安裝就不仔細介紹了，由於能找到這篇的，基本都安裝過了，下面介紹 jTessBoxEditor
• 可是呢，這個 jTessBoxEditor ，不用安裝，直接解壓就能夠，單擊解壓到或者直接拉出來就能夠了
  

2.獲取樣本文件

• 咱們能夠用畫圖工具繪製樣本文件，數量越多越好，我本身畫了 5 張圖做爲訓練的數據，如圖：
• 【注意】：樣本圖像文件格式必須爲tif\tiff格式，不然在Merge樣本文件的過程當中會出現 Couldn’t Seek 的錯誤。
• 再轉格式嫌麻煩就直接拿走個人：https://pan.baidu.com/s/1hoTkxMVw5z_ve9hzftLOqw
  

3.Merge樣本文件

• 在安裝目錄找到一個【train.bat】打開 jTessBoxEditor >【Tools】>【Merge TIFF】
• 操做截圖：
  
• 將樣本文件所有選上，安裝 Ctrl 鍵不鬆
• 【注意】：這裏是沒有界面化的提示的，選中後，點擊【打開】，立馬就是輸入合成後的文件名界面，輸入num.font.exp0.tif，點擊【保存】
• 也就是將合併文件保存爲 num.font.exp0.tif
  

4.生成BOX文件

• 打開 cmd 並切換至 num.font.exp0.tif 所在目錄
  • 使用 cd 目錄名 進入目錄
  • 使用 cd.. 返回上一級目錄
• 輸入下面命令，生成文件名爲num.font.exp0.box

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

【語法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox  
【語法】：lang爲語言名稱，fontname爲字體名稱，num爲序號；在tesseract中，必定要注意格式

• 操做截圖
  
  若是報錯多是沒有進入合併好的 tif 文件目錄下，也多是沒有換成本身用的文件名哦

5.定義字符配置文件

• 在文件夾文件夾內，新建一個文本文件，名爲font_properties，刪掉.txt，用記事本打開，寫入內容爲：

  font 0 0 0 0 0

【語法】：<fontname> <italic> <bold> <fixed> <serif> <fraktur> 
【語法】：fontname爲字體名稱，italic爲斜體，bold爲黑體字，
fixed爲默認字體，serif爲襯線字體，fraktur德文黑字體，
1和0表明有和無，精細區分時可以使用

6.準備環節

• 將5個tif文件，num.font.exp0.tif，生成的num.font.exp0.box文件，還有font_properties文件放在同一個目錄下
• 目前8個文件，截圖：
  

7.字符矯正

• 打開 jTessBoxEditor>【BOX Editor】> 【Open】，打開num.font.exp0.tif；矯正【Char】上的字符
• 操做截圖：
  
• 【注意】：記得[Page]有好多頁哦！修改後記得保存
• 固然有可能生成的 box 文件後，會多一個盒子，它把7識別成了兩個
• 處理方式：本身根據看到的數字修改char，若是不是完整字符就敲 空格，而後回車
• 操做截圖：
  
• 而後就是依次處理 5 頁
• 最後保存，替換原來的 box 文件
  

8.執行批處理文件

• 【注意】：執行該批處理文件前，先要目錄下建立font_properties文件 ，也就是滴 5 步
• 在目標目錄下，新建一個txt文件，複製代碼，重命名爲 do.bat，直接更改後綴名就能夠
• 代碼以下

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

• 保存後，雙擊執行便可，執行後會在文件夾生成不少文件，以下：
  

9.拷貝 num.trainddata 文件

• 最後將 num.trainddata 複製到 Tesseract-OCR 安裝目錄下的 tessdata 文件夾
• 【注意】：這裏是【Tesseract-OCR 安裝目錄下的 tessdata 文件夾】
  

10.大功告成，測試結果

• 這裏我是將圖片 num1.jpg 放在了：D:\p
• 咱們須要在 cmd 進入此目錄
  • 使用 cd 目錄名 進入目錄
  • 使用 cd.. 返回上一級目錄
• 使用 Tesseract 命令：
• 【注意】：語言參數要設置成 num，就是咱們剛纔拷貝的，沒拷貝 num.trainddata 文件不能使用
  tesseract 文件名 保存的txt文件名 例：

tesseract num1.jpg num01 -l num

• 操做截圖：
  

• 運行結果：
  

• 咱們能夠看到新生成的文件 num01 的內容爲 762408，內容徹底正確。細心的人會發現，最後一句指令，咱們使用了指令[-l num]而不是[-l eng]。這說明，最後一次轉換咱們使用的是新生成的num語言的匹配庫而不是默認的 eng 語言匹配庫

• 咱們能夠看到，通過簡單的訓練，咱們對於數字數據的轉換準確率提升了不少
• 看到這裏若是尚未安裝工具，參考：Windows下 Tesseract-OCR 的安裝與 環境變量配置

• 本篇完善了不少細節，初學者也能夠看懂，奉上 原文連接，拜拜

更多文章連接：Tesseract 隨筆

---

• 本筆記不容許任何我的和組織轉載