OCR6：Custom Traineddata

參考：https://groups.google.com/forum/#!msg/tesseract-ocr/MSYezIbckvs/kO1VoNKMDMQJ  

V4版本代碼示例 ：

import pytesseract
from PIL import Image as img

text = pytesseract.image_to_string(img.open('src2\B1.jpg'), lang='teld+chi_sim', config='--psm 3 --oem 1')
print(text.replace('」', ''))

 合併識別結果

---

在實際使用 tesseract-orc 識別庫的時候，初次製做的識別庫頗有可能識別率不太理想，須要後期慢慢補充。將多個修正過的box文件合併成一個識別庫。

• 首先，須要圖片樣本.tif文件，位置文件.box ,只要有這兩個文件在，就能夠合併字典

假設已存在以下樣品圖片和修正過的box文件：

• image.font.1.tif image.font.1.box
• image.font.2.tif image.font.2.box
• image.font.3.fit image.font.3.box

一、先生成相對應的 .tr 文件

• tesseract image.font.1.tif image.font.1 nobatch box.train
• tesseract image.font.2.tif image.font.2 nobatch box.train
• tesseract image.font.3.tif image.font.3 nobatch box.train

二、提取字符

• unicharset_extractor image.font.1.box image.font.2.box image.font.3.box

三、生成字體特徵文件

• echo image 0 0 0 0 0 >font_propertiesfont

四、執行以下命令

• mftraining -F font -U unicharset image.font.1.tr image.font.2.tr image.font.3.tr

五、彙集全部.tr 文件

• cntraining image.font.1.tr image.font.2.tr image.font.3.tr

六、重命名文件

• unicharset
• inttemp
• normproto
• pfftable
• shapetable 

七、合併全部文件 生成一個大的字庫文件

• combine_tessdata image.

示例代碼：

/*生成box文件*/
/*tesseract teld.shz.exp0.tif teld.shz.exp0 -l chi_sim --psm 3 --oem 1 batch.nochop makebox*/ tesseract teld.shz.exp0.tif teld.shz.exp0 -l chi_sim batch.nochop makebox /*生成font_properties文件*/ echo shz 0 0 0 0 0 >font_properties /*生成.tr訓練文件*/ tesseract teld.shz.exp0.tif teld.shz.exp0 nobatch box.train /*生成字符集文件*/ unicharset_extractor teld.shz.exp0.box /*生成shape文件*/ shapeclustering -F font_properties -U unicharset teld.shz.exp0.tr /*生成聚字符特徵文件*/ mftraining -F font_properties -U unicharset teld.shz.exp0.tr /*生成字符正常化特徵文件*/ cntraining teld.shz.exp0.tr /*文件重命名*/ rename normproto teld.normproto rename inttemp teld.inttemp rename pffmtable teld.pffmtable rename shapetable teld.shapetable rename unicharset teld.unicharset /*合併訓練文件*/ combine_tessdata teld.

 參考資料

---

• https://yq.aliyun.com/articles/297912