Tesseract4.0训练字库 OCR 提高识别率必备

由于tesseract的中文语言包“chi_sim”对中文手写字体或者环境比较复杂的图片，识别正确率不高，因此需要针对特定情况用自己的样本进行训练，提高识别率，通过训练，也可以形成自己的语言库。

对其他语言库有兴趣的：https://github.com/tesseract-ocr/tessdata

mac安装：brew install tesseract

1.前期准备工作：

  1.  安装  jdk1.8或以上    配置jdk环境变量

  2.  安装 tesseract-ocr 4.0

下载地址：https://digi.bib.uni-mannheim.de/tesseract/

 

  配置环境变量：系统变量path添加 C:\Program Files (x86)\Tesseract-OCR;  D:\Tesseract-OCR(对应自己的tesseract安装目录)

  3.  jTessBoxEditor2.0工具，用于调整图片上文字的内容和位置，

下载地址：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

安装包解压后双击里边的“jTessBoxEditor.jar”，或者双击该目录下的“train.bat”脚本文件，就可以打开该工具了。

 

4.准备Tess4J-3.4.8   下载： https://sourceforge.net/projects/tess4j/files/tess4j/

解压即可得到  tessdata训练库（后面自定义的语言库会用到）

 

 

2.样本图片准备：（进行训练的样本图片数量越多越好）

这里只准备2种不同字体样本进行测试：

 

 

3.使用jTessBoxEditor生成训练样本的的合并tif图片：

（1）打开jTessBoxEditor，选择Tools->Merge TIFF，进入训练样本所在文件夹，选中要参与训练的样本图片：

 

（2）点击 “打开” 后弹出保存对话框，选择保存在当前路径下，文件命名为 “zwp.test.exp0.tif” ，格式只有一种 “TIFF” 可选。

 

tif文面命名格式[lang].[fontname].exp[num].tif

lang是语言，fontname是字体，num为自定义数字。

比如我们要训练自定义字库 zwp，字体名test，那么我们把图片文件命名为 zwp.test.exp0.tif

4.使用tesseract生成.box文件：

在上一步骤生成的“zwp.test.exp0.tif”文件所在目录下打开命令行程序，执行下面命令,执行完之后会生成zwp.test.exp0.box文件。

执行如下命令 ： tesseract zwp.test.exp0.tif zwp.test.exp0  batch.nochop makebox

 

5.使用jTessBoxEditor矫正.box文件的错误：

.box文件记录了每个字符在图片上的位置和识别出的内容，训练前需要使用jTessBoxEditor调整字符的位置和内容。

打开jTessBoxEditor点击Box Editor ->Open，打开步骤2中生成的“zwp.test.exp0.tif”，会自动关联到“zwp.test.exp0.box”文件，这两文件要求在同一目录下。调整完点击“save”保存修改。

 

注意采坑点：1.修改文字是乱码

 

解决方法： jtessboxeditor的setting  --->  Font  里改字体为宋体，regular就可以了。

 

                    2.修改文字必须是白底黑字，要不然训练时会出现错误

6.生成font_properties文件：（该文件没有后缀名）

（1）执行如下命令： echo test 0 0 0 0 0 >font_properties

（2）也可以手工新建一个名为font_properties的文本文件，输入内容 “test 0 0 0 0 0” 表示字体test的粗体、倾斜等共计5个属性。这里的“test”必须与“zwp.test.exp0.box”中的“test”名称一致。

 

7、使用tesseract生成.tr训练文件:

执行下面命令，执行完之后，会在当前目录生成zwp.test.exp0.tr文件。

执行如下命令： tesseract zwp.test.exp0.tif zwp.test.exp0 nobatch box.train

 

8.生成字符集文件：

执行下面命令：执行完之后会在当前目录生成一个名为“unicharset”的文件。

执行命令： unicharset_extractor zwp.test.exp0.box

 

9、生成shape文件：

执行下面命令，执行完之后，会生成 shapetable 和 zwp.unicharset 两个文件。

执行命令：  shapeclustering -F font_properties -U unicharset -O zwp.unicharset zwp.test.exp0.tr

 

10、生成聚字符特征文件：

执行下面命令，会生成 inttemp、pffmtable、shapetable和zwp.unicharset四个文件。

执行命令： mftraining -F font_properties -U unicharset -O zwp.unicharset zwp.test.exp0.tr

 

11、生成字符正常化特征文件：

执行下面命令，会生成 normproto 文件。

执行命令： cntraining zwp.test.exp0.tr

 

12、文件重命名：

重新命名inttemp、pffmtable、shapetable和normproto这四个文件的名字为[lang].xxx。

这里修改为zwp.inttemp、zwp.pffmtable、zwp.shapetable和zwp.normproto

执行下面命令：

rename normproto zwp.normproto

rename inttemp zwp.inttemp

rename pffmtable zwp.pffmtable

rename shapetable zwp.shapetable

 

13、合并训练文件：

执行下面命令，会生成zwp.traineddata文件。

执行命令： combine_tessdata zwp.

 

Log输出中的Offset 1、3、4、5、13这些项不是-1，表示新的语言包生成成功。

将生成的“zwp.traineddata”语言包文件复制到Tesseract-OCR 安装目录下的tessdata文件夹中，就可以使用训练生成的语言包进行图像文字识别了。

 

三、代码测试

1.maven 依赖 （依赖过程有点儿漫长→_→）

<dependency>

<groupId>net.java.dev.jna</groupId>

<artifactId>jna</artifactId>

<version>4.1.0</version>

</dependency>

<dependency>

<groupId>net.sourceforge.tess4j</groupId>

<artifactId>tess4j</artifactId>

<version>3.4.0</version>

<exclusions>

<exclusion>

<groupId>com.sun.jna</groupId>

<artifactId>jna</artifactId>

</exclusion>

</exclusions>

</dependency>

2.测试代码

public void testOCR()throws Exception {

       //你的图片路径   51.png 为我自定义图片名字 其实使用的就是 上面的测试图片

       File imageFile =new File("C:\\Users\\ljf\\Desktop\\51.png");

      //你训练库的路径  tessdata

       instance.setDatapath("C:\\Users\\ljf\\Desktop\\tessdata");

      //你刚刚新建的语言库 zwp （还记得吗？）

       instance.setLanguage("zwp");

       String result =instance.doOCR(imageFile);

       System.out.println(result);

}

3.输出结果

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。