Permalink
Switch branches/tags
Nothing to show
Find file Copy path
Fetching contributors…
Cannot retrieve contributors at this time
48 lines (34 sloc) 2.37 KB

####1. 下载工具jTessBoxEditor. http://sourceforge.net/projects/vietocr/files/jTessBoxEditor/ 这个工具是用来训练样本用的,由于该工具是用JAVA开发的,需要安装JAVA虚拟机才能运行。

####2. 获取样本图像。 用画图工具绘制了5张0-9的文样本图像(当然样本越多越好),见data/training:

####3. 合并样本图像。 运行jTessBoxEditor工具,在点击菜单栏中Tools--->Merge TIFF。在弹出的对话框中选择样本图像(按Shift选择多张),合并成number.font.exp0.tif文件。PS:命名格式是按照官网格式来命名的,即:[lang].fontname].exp[num].tif)。

####4. 生成Box File文件。 打开命令行,执行命令:

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

生成的BOX文件为number.font.exp0.box,BOX文件为Tessercat识别出的文字和其坐标。

####5. 文字校正

运行jTessBoxEditor工具,打开number.font.exp0.tif文件(必须将上一步生成的.box和.tif样本文件放在同一目录),如下图所示。可以看出有些字符识别的不正确,可以通过该工具手动对每张图片中识别错误的字符进行校正。校正完成后保存即可。

####6. 定义字体特征文件 Tesseract-OCR3.01以上的版本在训练之前需要创建一个名称为font_properties的字体特征文件。 font_properties不含有BOM头,在 training 目录下创建文件,文件内容格式如下:

<fontname> <italic> <bold> <fixed> <serif> <fraktur>  

其中fontname为字体名称,必须与[lang].[fontname].exp[num].box中的名称保持一致。 、 、 、、 的取值为1或0,表示字体是否具有这些属性。 这里在样本图片所在目录下创建一个名称为font_properties的文件,用记事本打开,输入以下下内容:

font 0 0 0 0 0

这里全取值为0,表示字体不是粗体、斜体等等。

####7. 生成语言文件 运行 training.sh. 修改其中的lang和 font 变量名称

需确认打印结果中的Offset 1、3、4、5、13这些项不是-1。这样,一个新的语言文件就生成了。 number.traineddata便是最终生成的语言文件,将生成的number.traineddata拷贝到Tesseract-OCR-->tessdata目录下。可以用它来进行字符识别了。

tesseract number.jpg result -l number #指定语言