??由于tesseract的中文語言包“chi_sim”對中文手寫字體或者環境比較復雜的圖片，識別正確率不高，因此需要針對特定情況用自己的樣本進行訓練，提高識別率，通過訓練，也可以形成自己的語言庫。

?

步驟：

1、工具準備：

（1）官方文檔：https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract-4.00

（2）Java虛擬機，由于jTessBoxEditor的運行依賴Java運行時環境，所以需要安裝Java虛擬機。

下載地址：http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html

?

（3）jTessBoxEditor2.0工具，用于調整圖片上文字的內容和位置，

下載地址：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

安裝包解壓后雙擊里邊的“jTessBoxEditor.jar”，或者雙擊該目錄下的“train.bat”腳本文件，就可以打開該工具了。

?

2、樣本圖片準備：（進行訓練的樣本圖片數量越多越好）

這里只準備2種不同字體樣本進行測試：

3、使用jTessBoxEditor生成訓練樣本的的合并tif圖片：

（1）打開jTessBoxEditor，選擇Tools->Merge TIFF，進入訓練樣本所在文件夾，選中要參與訓練的樣本圖片：

（2）點擊 “打開” 后彈出保存對話框，選擇保存在當前路徑下，文件命名為 “zwp.test.exp0.tif” ，格式只有一種 “TIFF” 可選。

tif文面命名格式[lang].[fontname].exp[num].tif
lang是語言，fontname是字體，num為自定義數字。

比如我們要訓練自定義字庫 zwp，字體名test，那么我們把圖片文件命名為 zwp.test.exp0.tif

?

4、使用tesseract生成.box文件：

在上一步驟生成的“zwp.test.exp0.tif”文件所在目錄下打開命令行程序，執行下面命令,執行完之后會生成zwp.test.exp0.box文件。

tesseract zwp.test.exp0.tif zwp.test.exp0 -l chi_sim -psm 7 batch.nochop makebox

?

?

?

5、使用jTessBoxEditor矯正.box文件的錯誤：

.box文件記錄了每個字符在圖片上的位置和識別出的內容，訓練前需要使用jTessBoxEditor調整字符的位置和內容。

打開jTessBoxEditor點擊Box Editor ->Open，打開步驟2中生成的“zwp.test.exp0.tif”，會自動關聯到“zwp.test.exp0.box”文件，這兩文件要求在同一目錄下。調整完點擊“save”保存修改。

?

6、生成font_properties文件：（該文件沒有后綴名）

（1）執行命令，執行完之后，會在當前目錄生成font_properties文件

?

echo test 0 0 0 0 0 >font_properties

（2）也可以手工新建一個名為font_properties的文本文件，輸入內容 “test 0 0 0 0 0” 表示字體test的粗體、傾斜等共計5個屬性。這里的“test”必須與“zwp.test.exp0.box”中的“test”名稱一致。

?

7、使用tesseract生成.tr訓練文件:

執行下面命令，執行完之后，會在當前目錄生成zwp.test.exp0.tr文件。

tesseract zwp.test.exp0.tif zwp.test.exp0 nobatch box.train

?

8、生成字符集文件：

執行下面命令：執行完之后會在當前目錄生成一個名為“unicharset”的文件。

unicharset_extractor zwp.test.exp0.box

?

9、生成shape文件：

執行下面命令，執行完之后，會生成 shapetable 和 zwp.unicharset 兩個文件。

shapeclustering -F font_properties -U unicharset -O zwp.unicharset zwp.test.exp0.tr

?

10、生成聚字符特征文件：

執行下面命令，會生成 inttemp、pffmtable、shapetable和zwp.unicharset四個文件。

mftraining -F font_properties -U unicharset -O zwp.unicharset zwp.test.exp0.tr

?

11、生成字符正常化特征文件：

執行下面命令，會生成 normproto 文件。

cntraining zwp.test.exp0.tr

?

12、文件重命名：

重新命名inttemp、pffmtable、shapetable和normproto這四個文件的名字為[lang].xxx。

這里修改為zwp.inttemp、zwp.pffmtable、zwp.shapetable和zwp.normproto

執行下面命令：

rename normproto zwp.normproto rename inttemp zwp.inttemp rename pffmtable zwp.pffmtable rename shapetable zwp.shapetable

?

13、合并訓練文件：

執行下面命令，會生成zwp.traineddata文件。

combine_tessdata zwp.

Log輸出中的Offset 1、3、4、5、13這些項不是-1，表示新的語言包生成成功。

將生成的“zwp.traineddata”語言包文件復制到Tesseract-OCR 安裝目錄下的tessdata文件夾中，就可以使用訓練生成的語言包進行圖像文字識別了。

?

14、測試：

輸入下面命令，-l后面為訓練生成的語言包。

tesseract test.PNG test -l zwp

使用新訓練的語言包進行文字識別后，會發現之前識別不出來的文字也可以識別出來了。

?

附：最終所有的生成文件：

總結

以上是生活随笔為你收集整理的图像文字识别（三）：Tesseract4.0训练字库，提高正确识别率的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。