Pythony应用（02）-文字识别训练tesseract-ocr4

一、环境与版本选择

1. 环境： window10家庭版
2. 版本选择：

• tesseract5.x 不行，使用text2image.exe --list_available_fonts 没有结果输出
• 使用采用tesseract-ocr-w64-setup-v4.1，缺少64位的库
• 所以采用tesseract-ocr-w32-setup-v4.1.0.20190314

二、环境装备：

1. 安装jre：

• 下载地址： https://www.oracle.com/java/technologies/downloads/#jre8-windows

2. 安装jTessBoxEditorFX：

• 下载地址：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
• jTessBoxEditorFX可以处理中文，jTessBoxEditor处理中文显示乱码方框

3. 安装tesseract-ocr-w32-setup-v4.1：

• 下载地址：https://digi.bib.uni-mannheim.de/tesseract/
• 安装完成将tesseract安装目录加入到PATH

4. 测试：

   tesseract -v
   tesseract --list-langs
   
   1
   2
   3

三、使用

1.官网地址： https://tesseract-ocr.github.io/tessdoc/
2.获取系统中的字体：
给出配置文件的路径.\data\fonts.conf

<?xml version="1.0"?>
<!DOCTYPE fontconfig SYSTEM "fonts.dtd">
<fontconfig>
<dir>C:\windows\fonts</dir>
<cachedir>.\data\</cachedir>
<config></config>
</fontconfig>

1
2
3
4
5
6
7
8

text2image.exe --list_available_fonts --fonts_dir=C:\windows\fonts --fontconfig_tmpdir=.\data\

3.构造需要训练的文本：GB2312汉字编码字符集

• 01区为特殊符号（・∈∽§除外，这四个字符训练有问题），chi_sim.training_text.exp1.txt

　、。ˉˇ¨〃々―～‖…‘’“”〔〕〈〉《》「」『』〖〗【】±×÷∶∧∨∑∏∪∩∷√⊥∥∠⌒⊙∫∮≡≌≈∝≠≮≯≤≥∞∵∴♂♀°′″℃＄¤￠￡‰№☆★○●◎◇◆□■△▲※→←↑↓〓
1

• 03区为特殊符号，chi_sim.training_text.exp2.txt

！＂＃￥％＆＇（）＊＋，－．／０１２３４５６７８９：；＜＝＞？＠ＡＢＣＤＥＦＧＨＩＪＫＬＭＮＯＰＱＲＳＴＵＶＷＸＹＺ［＼］＾＿｀ａｂｃｄｅｆｇｈｉｊｋｌｍｎｏｐｑｒｓｔｕｖｗｘｙｚ｛｜｝￣
1

• 16-55区为一级汉字，按拼音排序，共3755个，chi_sim.training_text.exp5.txt
  56-87区为二级汉字，按部首／笔画排序，共3008个，chi_sim.training_text.exp6.txt

4.生成~.tif 和 ~.box 文件：

text2image --text=chi_sim.training_text.exp1.txt --outputbase=chi_sim.SimSun.exp1 --font=SimSun --fonts_dir=C:\windows\fonts --fontconfig_tmpdir=.\data\
text2image --text=chi_sim.training_text.exp2.txt --outputbase=chi_sim.SimSun.exp2 --font=SimSun --fonts_dir=C:\windows\fonts --fontconfig_tmpdir=.\data\
text2image --text=chi_sim.training_text.exp5.txt --outputbase=chi_sim.SimSun.exp5 --font=SimSun --fonts_dir=C:\windows\fonts --fontconfig_tmpdir=.\data\
text2image --text=chi_sim.training_text.exp6.txt --outputbase=chi_sim.SimSun.exp6 --font=SimSun --fonts_dir=C:\windows\fonts --fontconfig_tmpdir=.\data\

1
2
3
4
5

5.生成font_properties文件：（该文件没有后缀名）
echo SimSun 0 0 0 0 0 >font_properties

6.使用tesseract生成.tr训练文件:

  tesseract chi_sim.SimSun.exp1.tif chi_sim.SimSun.exp1 nobatch box.train
  tesseract chi_sim.SimSun.exp2.tif chi_sim.SimSun.exp2 nobatch box.train
  tesseract chi_sim.SimSun.exp5.tif chi_sim.SimSun.exp5 nobatch box.train
  tesseract chi_sim.SimSun.exp6.tif chi_sim.SimSun.exp6 nobatch box.train

1
2
3
4
5

7.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。
  unicharset_extractor chi_sim.SimSun.exp1.box chi_sim.SimSun.exp2.box chi_sim.SimSun.exp5.box chi_sim.SimSun.exp6.box

8.生成聚字符特征文件：

• 执行下面命令，会生成 inttemp、pffmtable、shapetable和my_chi_sim.unicharset四个文件。
  mftraining -F font_properties -U unicharset -O chi_sim.unicharset chi_sim.SimSun.exp1.tr chi_sim.SimSun.exp2.tr chi_sim.SimSun.exp5.tr chi_sim.SimSun.exp6.tr

9.生成字符正常化特征文件：
执行下面命令，会生成 normproto 文件。
cntraining chi_sim.SimSun.exp1.tr chi_sim.SimSun.exp2.tr chi_sim.SimSun.exp5.tr chi_sim.SimSun.exp6.tr

10.文件改名：

rename unicharset chi_sim.unicharset
rename inttemp chi_sim.inttemp
rename pffmtable chi_sim.pffmtable
rename shapetable chi_sim.shapetable
rename normproto chi_sim.normproto
1
2
3
4
5

11.生成文件
combine_tessdata chi_sim.