Tesseract 3 语言数据的训练方法
OCR,光学字符识别
光学字符识别(OCR,Optical Character Recognition)是指对文本资料进行扫描，然后对图像文件进行分析处理，获取文字及版面信息的过程。OCR技术非常专业，一般多是印刷、打印行业的从业人员使用，可以快速的将纸质资料转换为电子资料。关于中文OCR，目前国内水平较高的有清华文通、汉王、尚书，其产品各有千秋，价格不菲。国外OCR发展较早，像一些大公司，如IBM、微软、HP等，即使没有推出单独的OCR产品，但是他们的研发团队早已掌握核心技术，将OCR功能植入了自身的软件系统。对于我们程序员来说，一般用不到那么高级的，主要在开发中能够集成基本的OCR功能就可以了。这两天我查找了很多免费OCR软件、类库，特地整理一下，今天首先来谈谈Tesseract，下一次将讨论下Onenote 2010中的OCR API实现。可以在这里查看OCR技术的发展简史。
1、Tesseract概述
Tesseract的OCR引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从此尘封。
数年以后，HP意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生－－2005年，Tesseract由美国内华达州信息技术研究所获得，并求诸于Google对Tesseract进行改进、消除Bug、优化工作。
Tesseract目前已作为开源项目发布在Google Project，其项目主页在这里查看，其最新版本3.0已经支持中文OCR，并提供了一个命令行工具。本次我们来测试一下Tesseract 3.0，由于命令行对最终用户不太友好，我用WPF简单封装了一下，就可以方便的进行中文OCR了。
1.准备：
- 安装Tesseract , 我这里用的是 tesseract 3.02.02
- 下载图片，保存到本地，
- 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.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total.tif文件。
3.Make Box Files。
在total.tif所在的目录下打开一个命令行，产生相应的Box文件（*.box）
输入：
tesseract mjoren.normal.exp0.tif mjoren.normal.exp0 batch.nochop makebox
来生成一个box文件，该文件记录了tesseract识别出来的每一个字和其位置坐标。
屏幕输出如下
E:\data\Users\Administrator\Desktop\ocrBuider2>tesseract mjoren.normal.exp0.tif mjoren.normal.exp0 batch.nochop makebox Tesseract Open Source OCR Engine v3.02 with Leptonica Page 1 of 3 Page 2 of 3 Empty page!! Empty page!! Page 3 of 3 Empty page!! Empty page!!
这时目录多出了一个 mjoren.normal.exp0.box和mjoren.normal.exp0.txt 文件
4.使用jTessBoxEditor打开total.tif文件，
需要记住的是第2步生成的mjoren.normal.exp0.box要和这个mjoren.normal.exp0.tif文件同在一个目录下。逐个校正文字，后保存。
4.Run Tesseract for Training。输入命令：
产生字符特征文件（*.tr）
tesseract mjoren.normal.exp0.tif mjoren.normal.exp0 nobatch box.train
屏幕输出如下:
E:\data\Users\Administrator\Desktop\ocrBuider2>tesseract mjoren.normal.exp0.tif mjoren.normal.exp0 nobatch box.train Tesseract Open Source OCR Engine v3.02 with Leptonica Page 1 of 3 APPLY_BOXES: Boxes read from boxfile: 7 Found 7 good blobs. TRAINING ... Font name = normal Generated training data for 1 words Page 2 of 3 Empty page!! Empty page!! Page 3 of 3 Empty page!! Empty page!!
这时目录会多出2个文件: mjoren.normal.exp0.tr
5.Compute the Character Set。输入命令：
产生计算字符集（unicharset）
unicharset_extractor mjoren.normal.exp0.box
执行结果:
E:\data\Users\Administrator\Desktop\ocrBuider2>unicharset_extractor mjoren.norm al.exp0.box Extracting unicharset from mjoren.normal.exp0.box Wrote unicharset file ./unicharset.
6.定义字体特征文件并聚集字符特征
新建文件“font_properties”。那么需要在目录下新建一个名字为“font_properties”的文件，并且输入文本 :
注意:这里 normal 必须与训练名中的名称保持一致,填入下面内容 ,这里全取值为0，表示字体不是粗体、斜体等等。
normal 0 0 0 0 0
聚集字符特征（inttemp、pffmtable、normproto）
执行命令：
mftraining -F font_properties -U unicharset mjoren.normal.exp0.tr
执行结果
E:\data\Users\Administrator\Desktop\ocrBuider2>mftraining -F font_properties -U unicharset mjoren.normal.exp0.tr Warning: No shape table file present: shapetable Reading mjoren.normal.exp0.tr ... Flat shape table summary: Number of shapes = 7 max unichars = 1 number with mult iple unichars = 0 Warning: no protos/configs for j in CreateIntTemplates() Warning: no protos/configs for 搂 in CreateIntTemplates() Warning: no protos/configs for a in CreateIntTemplates() Done!
font_properties不含有BOM头，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。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值为1或0，表示字体是否具有这些属性。
7.Clustering。产生字符形状正常化特征文件normproto
输入命令：
cntraining mjoren.normal.exp0.tr
执行结果:
E:\data\Users\Administrator\Desktop\ocrBuider2>cntraining mjoren.normal.exp0.tr Reading mjoren.normal.exp0.tr ... Clustering ... Writing normproto ...
8.此时，在目录下应该生成若干个文件了，把unicharset, inttemp, normproto, pffmtable这四个文件加上前缀“normal.”。然后 合并训练文件
输入命令：
combine_tessdata normal.
执行结果如下:
E:\data\Users\Administrator\Desktop\ocrBuider2>combine_tessdata normal. Combining tessdata files TessdataManager combined tesseract data files. Offset for type 0 is -1 Offset for type 1 is 140 Offset for type 2 is -1 Offset for type 3 is 792 Offset for type 4 is 128180 Offset for type 5 is 128262 Offset for type 6 is -1 Offset for type 7 is -1 Offset for type 8 is -1 Offset for type 9 is -1 Offset for type 10 is -1 Offset for type 11 is -1 Offset for type 12 is -1 Offset for type 13 is -1 Offset for type 14 is -1 Offset for type 15 is -1 Offset for type 16 is -1
必须确定的是第2、4、5、6行的数据不是-1，那么一个新的字典就算生成了。
此时目录下“normal.traineddata”的文件拷贝到tesseract程序目录下的“tessdata”目录。
以后就可以使用该该字典来识别了，例如：
tesseract mjoren.normal.exp0.tif result -l normal
通过训练出来的新语言，识别率提高了不少。
E:\data\Users\Administrator\Desktop\ocrBuider2>tesseract mjoren.normal.exp0.tif result -l normal Tesseract Open Source OCR Engine v3.02 with Leptonica Page 1 of 3 Page 2 of 3 Empty page!! Empty page!! Page 3 of 3 Empty page!! Empty page!!
纠正出来的结果
1234567
特别说明：
在训练的过程中，初次接触的人容易犯一些小错误，这些错误虽然小，但很可能让你陷入困惑和痛苦中。那位师妹就是因为小问题困惑不已才找我帮忙的。下面简单的罗列一下几点需要注意的地方：
- 前面提到的normal可以被你想要的任何字符串代替，主要是为了给你训练的库取个名字。
- 第二步产生的Box文件，需要手动修改，一定要以Unicode模式保存。修改的时候要注意方法和含义，详细的说明Google原文中有说明。
- 第五步程序自动产生的文件是只有扩展名的，需要你自己手动将名字改成前缀一致。后面产生的可选文件也依照此法操作。
- 所有的这些文件都准备好了之后，需要放到同一目录下，执行combine_tessdata进行合并的时候，注意要切换到文件所在的目录执行，否则将会报错，提示找不到文件。
- 合并成功之后，要记得将训练好的文件（normal.traineddata）放到程序的tessdata子目录下，否则测试就会提示找不到语言库文件。
好了，到这里，基本上所有的问题都能解决了。
