Tesseract5.0训练字库,提高OCR特殊场景识别率,合并字库(二)
一、准备工作
需要的文件 tif文件和box文件。
如果你打标打好了,但是是分批次打标的,那么可以合并字库,我们最初只需要 tif 和 box 文件,如下:
二、生成对应的 .tr 训练文件
根据不同的tif文件依次使用下面这个命令
tesseract qyc.word.exp4.tif qyc.word.exp4 nobatch box.train
完成后效果是这样的,每个组合都会有一个对应的 .tr 文件
三、从所有文件中提取字符
unicharset_extractor fst.word.exp0.box fst.word.exp1.box fst.word.exp2.box fst.word.exp3.box qyc.word .exp0.box qyc.word.exp4.box
执行完这个命令会在当前目录生成一个unicharset文件
四、生成字体特征文件
这个是设置字体格式的,会生成一个无后缀名的font+properties文件
echo word 0 0 0 0 0 > font_properties
五、生成聚字符特征文件
会生成 inttemp、pffmtable、shapetable 三个文件
mftraining -F font_properties -U unicharset fst.word.exp0.tr fst.word.exp1.tr fst.word.exp2.tr fst.wo rd.exp3.tr qyc.word.exp0.tr qyc.word.exp4.tr
六、聚集所有 .tr 文件
执行下面命令,会生成 normproto 文件。
cntraining fst.word.exp0.tr fst.word.exp1.tr fst.word.exp2.tr fst.word.exp3.tr qyc.word.exp0.tr qyc.w ord.exp4.tr
七、重命名文件,把unicharset,inttemp,normproto,pfftable,shapetable 这五个文件加上前缀word.
rename unicharset word.unicharset
剩下四个同上
八、合并所有文件,生成一个大的 .traineddata 字库文件
combine_tessdata word.