Tesseract-OCR-04-使用 jTessBoxEditor 进行训练

Tesseract-OCR-04-使用 jTessBoxEditor 进行训练

• 本篇是关于 jTessBoxEditor 进行训练，使 Tesseract-OCR 文字识别准确率得到极大的提高，本篇完善了很多细节，初学者也可以看懂，一起学习吧！
• 想要一遍成功要细心关注【注意】，我踩过的坑都标出来了

训练的大致步骤：

• 1.安装 jTessBoxEditor
• 2.获取样本文件
• 3.Merge 样本文件
• 4.生成 .box 文件
• 5.定义字符配置文件
• 6.字符矫正
• 7.执行批处理文件
• 8.将生成的 num.trainddata 放入 Tesseract 安装目录的 tessdata 文件夹里

1.安装 jTessBoxEditor

• 下载jTessBoxEditor，地址https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
• 解压后得到jTessBoxEditor
  
  
• 由于这是由Java开发的，所以我们应该确保在运行jTessBoxEditor前先安装JRE（Java Runtime Environment，Java运行环境）
• 没有安装 jre 的可以到官网下载安装：
  
  http://www.oracle.com/technetwork/java/javase/downloads/jre8-downloads-2133155.html
  
  
• jre 安装就不仔细介绍了，因为能找到这篇的，基本都安装过了，下面介绍 jTessBoxEditor
• 但是呢，这个 jTessBoxEditor ，不用安装，直接解压就可以，单击解压到或者直接拉出来就可以了
  
  

2.获取样本文件

• 我们可以用画图工具绘制样本文件，数量越多越好，我自己画了 5 张图作为训练的数据，如图：
• 【注意】：样本图像文件格式必须为tif\tiff格式，否则在Merge样本文件的过程中会出现 Couldn’t Seek 的错误。
• 再转格式嫌麻烦就直接拿走我的：https://pan.baidu.com/s/1hoTkxMVw5z_ve9hzftLOqw
  
  

3.Merge样本文件

• 在安装目录找到一个【train.bat】打开 jTessBoxEditor >【Tools】>【Merge TIFF】
• 操作截图：
  
  
• 将样本文件全部选上，安装 Ctrl 键不松
• 【注意】：这里是没有界面化的提示的，选中后，点击【打开】，立马就是输入合成后的文件名界面，输入num.font.exp0.tif，点击【保存】
• 也就是将合并文件保存为 num.font.exp0.tif
  
  

4.生成BOX文件

• 打开 cmd 并切换至 num.font.exp0.tif 所在目录
  • 使用 cd 目录名 进入目录
  • 使用 cd.. 返回上一级目录
• 输入下面命令，生成文件名为num.font.exp0.box

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

【语法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox
【语法】：lang为语言名称，fontname为字体名称，num为序号；在tesseract中，一定要注意格式

• 操作截图
  
  
  
  如果报错可能是没有进入合并好的 tif 文件目录下，也可能是没有换成自己用的文件名哦

5.定义字符配置文件

• 在文件夹文件夹内，新建一个文本文件，名为font_properties，删掉.txt，用记事本打开，写入内容为：

font 0 0 0 0 0

【语法】：<fontname> <italic> <bold> <fixed> <serif> <fraktur>
【语法】：fontname为字体名称，italic为斜体，bold为黑体字，
fixed为默认字体，serif为衬线字体，fraktur德文黑字体，
1和0代表有和无，精细区分时可使用

6.准备环节

• 将5个tif文件，num.font.exp0.tif，生成的num.font.exp0.box文件，还有font_properties文件放在同一个目录下
• 目前8个文件，截图：
  
  

7.字符矫正

• 打开 jTessBoxEditor>【BOX Editor】> 【Open】，打开num.font.exp0.tif；矫正【Char】上的字符
• 操作截图：
  
  
• 【注意】：记得[Page]有好多页哦！修改后记得保存
• 当然有可能生成的 box 文件后，会多一个盒子，它把7识别成了两个
• 处理方式：自己根据看到的数字修改char，如果不是完整字符就敲 空格，然后回车
• 操作截图：
  
  
• 然后就是依次处理 5 页
• 最后保存，替换原来的 box 文件
  
  

8.执行批处理文件

• 【注意】：执行该批处理文件前，先要目录下创建font_properties文件 ，也就是滴 5 步
• **在目标目录下，新建一个txt文件，复制代码，重命名为 do.bat，直接更改后缀名就可以 **
• 代码如下

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

• 保存后，双击执行即可，执行后会在文件夹生成很多文件，如下：
  
  

9.拷贝 num.trainddata 文件

• 最后将 num.trainddata 复制到 Tesseract-OCR 安装目录下的 tessdata 文件夹
• 【注意】：这里是【Tesseract-OCR 安装目录下的 tessdata 文件夹】
  
  

10.大功告成，测试结果

• 这里我是将图片 num1.jpg 放在了：D:\p
• 我们需要在 cmd 进入此目录
  • 使用 cd 目录名 进入目录
  • 使用 cd.. 返回上一级目录
• 使用 Tesseract 命令：
• 【注意】：语言参数要设置成 num，就是我们刚才拷贝的，没拷贝 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

• 操作截图：
  
  

• 运行结果：
  
  

• 我们可以看到新生成的文件 num01 的内容为 762408，内容完全正确。细心的人会发现，最后一句指令，我们使用了指令[-l num]而不是[-l eng]。这说明，最后一次转换我们使用的是新生成的num语言的匹配库而不是默认的 eng 语言匹配库

• 我们可以看到，经过简单的训练，我们对于数字数据的转换准确率提高了很多

• 看到这里如果还没有安装工具，参考：Windows下 Tesseract-OCR 的安装与 环境变量配置

• 本篇完善了很多细节，初学者也可以看懂，奉上 原文链接，拜拜

更多文章链接：Tesseract 随笔

---

- 本笔记不允许任何个人和组织转载