OCR2：tesseract字庫訓練

因爲tesseract的中文語言包「chi_sim」對中文字體或者環境比較複雜的圖片，識別正確率不高，所以須要針對特定狀況用本身的樣本進行訓練，提升識別率，經過訓練，也能夠造成本身的語言庫。

工具：

• Java虛擬機，因爲jTessBoxEditor的運行依賴Java運行時環境，因此須要安裝Java虛擬機。下載地址：http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html

• jTessBoxEditor2.0工具，用於調整圖片上文字的內容和位置，下載地址：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

• 安裝包解壓後雙擊裏邊的「jTessBoxEditor.jar」，或者雙擊該目錄下的「train.bat」腳本文件，就能夠打開該工具了

第一步：合成圖片集

---

• 打開jTessBoxEditor，選擇 Tools->Merge TIFF，進入訓練樣本所在文件夾，選中要參與訓練的樣本圖片：進行訓練的樣本圖片數量越多越好

• 點擊 「打開」 後彈出保存對話框，選擇保存在當前路徑下，文件命名爲： 「demo.test.exp0.tif」 ，格式只有一種 「TIFF」 可選。

  • tif文面命名格式：[lang].[fontname].exp[num].tif
  • lang：是語言，fontname：是字體，num：爲自定義數字。
  • 好比咱們要訓練自定義字庫 demo，字體名 test，那麼咱們把圖片文件命名爲 demo.test.exp0.tif

第二步：生成box文件

---

• 在上一步驟生成的 .tif 文件所在目錄下打開命令行程序，執行下面命令,執行完以後會生成 .box文件, .BOX文件爲Tessercat識別出的文字和其座標。
• 命令：tesseract demo.test.exp0.tif demo.test.exp0 -l chi_sim -psm 7 batch.nochop makebox

第三步：矯正.box文件的錯誤

---

• .box文件記錄了每一個字符在圖片上的位置和識別出的內容，訓練前須要使用jTessBoxEditor調整字符的位置和內容。（注：圖片dpi > 300 時效果更好）
• 打開jTessBoxEditor點擊Box Editor ->Open，打開步驟2中生成的 .tif，會自動關聯到 .box 文件，這兩文件要求在同一目錄下。調整完點擊「save」保存修改。

第四步：生成font_properties文件（該文件沒有後綴名）

---

• 執行命令，會在當前目錄生成font_properties文件，命令：echo test 0 0 0 0 0 >font_properties
• 執行完成以後，在當前文件夾下生成font_properties文件

• 也能夠手動在該文件夾下創建一個名爲 「font_properties」 的文件，這個文件沒有後綴名稱，輸入內容 「font 0 0 0 0 0」 ， 表示字體 font 的粗體、傾斜等共計5個屬性全都設置爲0。注意 ： 這裏輸入的 「font」 名稱必須與 「demo.test.exp0.box」 中兩個點號之間的 「test」 名稱保持一致。

第五步：生成.tr訓練文件

---

• 執行生成 demo.test.exp0.tr 文件，命令：tesseract demo.test.exp0.tif demo.test.exp0 nobatch box.train

第六步：生成字符集文件

---

• 執行命令，生成一個名爲「unicharset」的文件；命令：unicharset_extractor demo.test.exp0.box

第七步：生成shape文件

---

• 執行命令，生成 shapetable 和 demo.unicharset 兩個文件。命令：shapeclustering -F font_properties -U unicharset -O demo.unicharset demo.test.exp0.tr

第八步：生成聚字符特徵文件

---

• 執行命令，會生成 inttemp、pffmtable、shapetable和demo.unicharset四個文件。命令：mftraining -F font_properties -U unicharset -O demo.unicharset demo.test.exp0.tr

第九步：生成字符正常化特徵文件

---

• 執行命令，生成 normproto 文件。命令：cntraining demo.test.exp0.tr

第十步：文件重命名

---

• 從新命名inttemp、pffmtable、shapetable和normproto這四個文件的名字爲[lang].xxx。這裏修改成demo.inttemp、demo.pffmtable、demo.shapetable和demo.normproto

 

rename normproto demo.normproto rename inttemp demo.inttemp rename pffmtable demo.pffmtable rename shapetable demo.shapetable rename unicharset demo.unicharset

 

 

 

第十一步：合併訓練文件

---

• 執行下面命令，會生成demo.traineddata文件。命令：combine_tessdata demo.
• 將生成的「demo.traineddata」語言包文件複製到Tesseract-OCR 安裝目錄下的tessdata文件夾中，就可使用訓練生成的語言包進行圖像文字識別了。 

測試

---

import pytesseract from PIL import Image as img class Languages: CHS = 'chi_sim' CHT = 'chi_tra' ENG = 'eng' DM = 'demo' text = pytesseract.image_to_string(img.open('demo.jpg'), lang=Languages.DM) print(text)

•  

參考資料：

---

• https://blog.csdn.net/a745233700/article/details/80175883
• https://blog.csdn.net/qq_37674858/article/details/80340914