tesseract-ocr字库训练图文讲解

第一步合成图片集

你需要把使用jTessBoxEditor工具把你的训练素材及多张图片合并成一张tif格式的图片集

第二步  生成box文件

运行tesseract命令，tesseract mjorcen.normal.exp0.tif mjorcen.normal.exp0 batch.nochop makebox，生成box文件 ，

 

第三步 

用 jTessBoxEditor打开生成的图片集 mjorcen.normal.exp0.tif ,注意  mjorcen.normal.exp0.tif 与对应的box文件一定要和他处于同一个文件夹下，然后就可以开始调整了，调整完之后保存

第四步 训练

首先在目录下新建一个名字为“font_properties”的文本文件，并且输入文本  normal 0 0 0 0 0，表示非斜体，粗体的一般字体

执行  tesseract  mjorcen.normal.exp0.tif mjorcen.normal.exp0  nobatch box.train  进行测试训练

执行 unicharset_extractor mjorcen.normal.exp0.box  目录下生成一个名为unicharset的文件

接下来开始正式进行训练

1、执行  shapeclustering -F font_properties.txt -U unicharset mjorcen.normal.exp0.tr 

 

2 、执行 mftraining -F font_properties.txt -U unicharset -O unicharset mjorcen.normal.exp0.tr

 

3  执行 cntraining mjorcen.normal.exp0.tr  

目录下会生成对应下列五个文件，在这五个文件前加上normal.进行重命名

 

4 执行 combine_tessdata normal.   合并五个文件，此时目录下的normal.traineddata 就是训练好的字库文件

第五步 测试字库

把normal.traineddata  复制到Tesseract-OCRt程序目录下的“tessdata”目录

在Tesseract-OCRt程序目录下执行  tesseract.exe mjorcen.normal.exp0.png out –l normal

out.txt文件中会保存你识别到的数据；

这个其实网上资料很多，但大都描述的不够详细和完整，这里我一步一步把使用tesseract-ocr 训练字库的方法和步骤进行了描述，亲测是没有问题。