原文出處：http://www.myexception.cn/mobile/1119147.html

訓(xùn)練樣本

關(guān)于如何訓(xùn)練樣本，Tesseract-OCR官網(wǎng)有詳細(xì)的介紹http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3。這里通過一個(gè)簡單的例子來介紹一下如何進(jìn)行樣本訓(xùn)練。

1.下載工具jTessBoxEditor.?http://sourceforge.net/projects/vietocr/files/jTessBoxEditor/，這個(gè)工具是用來訓(xùn)練樣本用的，由于該工具是用JAVA開發(fā)的，需要安裝JAVA虛擬機(jī)才能運(yùn)行。

2. 獲取樣本圖像。用畫圖工具繪制了5張0-9的文樣本圖像（當(dāng)然樣本越多越好），如下圖所示：

??

??

3.合并樣本圖像。運(yùn)行jTessBoxEditor工具，在點(diǎn)擊菜單欄中Tools--->Merge TIFF。在彈出的對(duì)話框中選擇樣本圖像（按Shift選擇多張），合并成num.font.exp0.tif文件。4.生成Box File文件。打開命令行，執(zhí)行命令：

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

? 生成的BOX文件為num.font.exp0.box，BOX文件為Tessercat識(shí)別出的文字和其坐標(biāo)。

注：Make Box File的命令格式為：

tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox

其中l(wèi)ang為語言名稱，fontname為字體名稱，num為序號(hào)，可以隨便定義。

5.文字校正。運(yùn)行jTessBoxEditor工具，打開num.font.exp0.tif文件（必須將上一步生成的.box和.tif樣本文件放在同一目錄），如下圖所示?？梢钥闯鲇行┳址R(shí)別的不正確，可以通過該工具手動(dòng)對(duì)每張圖片中識(shí)別錯(cuò)誤的字符進(jìn)行校正。校正完成后保存即可。

6.定義字體特征文件。Tesseract-OCR3.01以上的版本在訓(xùn)練之前需要?jiǎng)?chuàng)建一個(gè)名稱為font_properties的字體特征文件。

font_properties不含有BOM頭，文件內(nèi)容格式如下：

<fontname> <italic> <bold> <fixed> <serif> <fraktur>

其中fontname為字體名稱，必須與[lang].[fontname].exp[num].box中的名稱保持一致。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值為1或0，表示字體是否具有這些屬性。

這里在樣本圖片所在目錄下創(chuàng)建一個(gè)名稱為font_properties的文件，用記事本打開，輸入以下下內(nèi)容：

font 0 0 0 0 0

這里全取值為0，表示字體不是粗體、斜體等等。

7.生成語言文件。在樣本圖片所在目錄下創(chuàng)建一個(gè)批處理文件，輸入如下內(nèi)容。

rem 執(zhí)行改批處理前先要目錄下創(chuàng)建font_properties文件echo Run Tesseract for Training.. tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.trainecho Compute the Character Set.. unicharset_extractor.exe num.font.exp0.box mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.trecho Clustering.. cntraining.exe num.font.exp0.trecho 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.

將批處理通過命令行執(zhí)行。執(zhí)行后的結(jié)果如下：

需確認(rèn)打印結(jié)果中的Offset 1、3、4、5、13這些項(xiàng)不是-1。這樣，一個(gè)新的語言文件就生成了。

num.traineddata便是最終生成的語言文件，將生成的num.traineddata拷貝到Tesseract-OCR-->tessdata目錄下。可以用它來進(jìn)行字符識(shí)別了。

?

總結(jié)

以上是生活随笔為你收集整理的Tesseract-OCR 字符识别-样书训练的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。