3.x训练记录

admin

参考地址：
1.https://github.com/tesseract-ocr ... seract-for-training
2.https://blog.csdn.net/a745233700/article/details/80175883

一.软件准备

    安装tesseract ， java ， jTessBoxEditor
二.准备样本图片  (二三四可以用下面红色部分代替)
    同样文字的不同字体图片
    白底黑子
    可以在word里面写，然后保存图片，注意设置字体大小和字体间距
三.png图片合并成tif文件
    tif文件命名格式 [lang].[fontname].exp[num].tif
    根据国际标准lang一般是3个字母的
四.根据tif生成box文件
     tesseract  [lang].[fontname].exp[num].tif  [lang].[fontname].exp[num] batch.nochop makebox
     这个地方加上-l chi_sim --psm 7 效果会好一些，方便下面纠正
     纠正数据，官方完全是文本编辑的，这个地方可以用jTessBoxEditor

PS：可以用“text2image  --fonts_dir ~/.fonts --text training_text.txt --min_coverage .9  --outputbase result ”生成tif和box文件，这样的文件不用纠正
这种方式训练很快的，基本5分钟一次，而且准确率还可以，尤其十一些特殊字体的识别，会比原来 的chi_sim效果好多了
可以参考我的github上的laowu的目录（这个是用的laowu的字体）


五.生成train文件
     tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] box.train
   这个地方对输出结果的分析，可能会影响最终的识别准确率
六.生成字符集
    unicharset_extractor [lang].[fontname].exp[num].box lang.fontname.exp1.box
  这个文件可以用vi查看
七.生成font_properties文件（这个是3.01新增的）
八.聚类生成字符特征原型
    shaoeclustering      mftraining      cntraining  三个命令
九.字典数据(directory data) 这个是可选的
十.最终文件unicharambigs的介绍，这个可以看一下
十一.合并文件
    一共有5个文件需要合并  abc.shapetable , abc.normproto , abc.inttemp , abc.pffmtable , abc.unicharset
十二.验证测试
    我这个测试发现1个字被识别成2个字，还有多识别了2个空格，其他的识别还可以
这个运行之后的github地址
https://github.com/asysbang/tesseract.git


======待研究问题
1.补充github地址
2.num多个时怎么处理
3.手动纠正和jTessBoxEditor是否对最终的识别结果有影响