用jTessBoxEditorFX训练字库

软件下载：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

官方字库下载：https://github.com/tesseract-ocr/tesseract/wiki/Data-Files#format-of-traineddata-files

建议：普通版本和FX版本都下载，用普通版本调整坐标，用FX版本调整汉字识别。FX版本的坐标调整不能输入数字，一旦坐标偏移太大，简直就是反人类设计。

          另外，也可以直接使用普通版本，虽然在Box Editor页面里看不到汉字，但是可以用Notepad++直接打开box文件进行文字编辑。

文中用的是FX2.0beta版，有些小问题，但是不影响使用，目前正式版应该是2.2。

 

1、点击tools后再点击Merge TIFF，将所需要的图片集转换成tif格式，源图片集格式支持jpg和tif两种。合成的图片集命名格式为[chi_sim].[test].[exp0].tif 第一个空是字典格式，第二个字体（自定义）名字，第三个空位exp[0]。

2、生成BOX文件，D:\jTessBoxEditorFX\tesseract-ocr\tesseract.exe chi_sim.test.exp0.tif chi_sim.test.exp0 -l chi_sim batch.nochop makebox

   

D:\temp\train2>D:\jTessBoxEditorFX\tesseract-ocr\tesseract.exe chi_sim.test.exp1.tif chi_sim.test.exp1 -l chi_sim batch.nochop makebox
Tesseract Open Source OCR Engine v4.00.00alpha with Leptonica
Page 1
Page 2
Page 3
Page 4

 

-l chi_sim参数是使用已经有的中文训练字库
这个字库是在tessdata目录里，可以自己拷贝进去

 

3、调整字体坐标，调整识别错误的汉字。使用open打开刚才生成的tif文件，根据刚才生成的box文件调整字库。这个步骤才是真正核心的步骤，也是最麻烦的地方。

调整坐标建议使用普通版本，FX版本无法手动调整坐标，不知道是不是故意设置还是BUG。

merge合并的时候有几个图片文件，这里就需要按page页分别调整。

4、调整完成box文件后，就需要生成tr文件
D:\jTessBoxEditorFX\tesseract-ocr\tesseract.exe chi_sim.test.exp0.tif chi_sim.test.exp0 nobatch box.train

5、生成unicharset文件
D:\jTessBoxEditorFX\tesseract-ocr\unicharset_extractor.exe chi_sim.test.exp0.box

6、新建font_properties文件 用记事本新建一个明文font_properties.txt
内容格式为test 0 0 0 0 0，test是新建tif中间的内容（chi_sim.test.exp0.tif）。

7、在分别运行三个命令对tr特征集合进行操作

生成shape文件
D:\jTessBoxEditorFX\tesseract-ocr\shapeclustering.exe -F font_properties.txt -U unicharset chi_sim.test.exp0.tr

生成聚集字符特征文件
D:\jTessBoxEditorFX\tesseract-ocr\Mftraining.exe -F font_properties.txt -U unicharset -O unicharset chi_sim.test.exp0.tr

生成字符正常化特征文件
D:\jTessBoxEditorFX\tesseract-ocr\cntraining.exe chi_sim.test.exp0.tr

8、重命名把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上test.（就是你的tif中间的名字）

9、组合文件，成功后会生成test.traineddata训练库文件。

D:\jTessBoxEditorFX\tesseract-ocr\combine_tessdata test.（后面是有点的）

10、识别测试，把test.traineddata拷贝到D:\jTessBoxEditorFX\tesseract-ocr\tessdata目录下
D:\jTessBoxEditorFX\tesseract-ocr\tesseract chi_sim.test.exp0.tif output -l test

 

11、在代码中测试效果，可以全部识别出来，简单的代码之前发过（java 使用tess4j实现OCR的最简单样例）

 

 12、如果需要识别的图形比较复杂，一般情况下不能对整张图片进行识别，需要把图片分块识别，用代码也好实现，关键是准备阶段划分图片区域比较费事。

 public static void main(String args[]) throws Exception {
        ITesseract instance = new Tesseract();
        instance.setDatapath("tessdata"); //相对目录，这个时候tessdata目录和src目录平级
        instance.setLanguage("test");//选择字库文件（只需要文件名，不需要后缀名）
        try {
            File imageFile = new File("d:\\temp\\1.jpg");
            BufferedImage bufferedImage = ImageIO.read(imageFile);
            Rectangle rect = new Rectangle(2581,510,249,196);//按区域读取
            String result2 = instance.doOCR(bufferedImage,rect);
            System.out.println(result2);
        } catch (Exception e) {
            System.out.println(e.toString());
        }
    }