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

訓練樣本

關于如何訓練樣本，Tesseract-OCR官網有詳細的介紹http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3。這里通過一個簡單的例子來介紹一下如何進行樣本訓練。

1.下載工具jTessBoxEditor.?http://sourceforge.net/projects/vietocr/files/jTessBoxEditor/，這個工具是用來訓練樣本用的，由于該工具是用JAVA開發的，需要安裝JAVA虛擬機才能運行。

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（當然樣本越多越好），如下圖所示：

??

??

3.合并樣本圖像。運行jTessBoxEditor工具，在點擊菜單欄中Tools--->Merge TIFF。在彈出的對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識別出的文字和其坐標。

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lang為語言名稱，fontname為字體名稱，num為序號，可以隨便定義。

5.文字校正。運行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。可以看出有些字符識別的不正確，可以通過該工具手動對每張圖片中識別錯誤的字符進行校正。校正完成后保存即可。

6.定義字體特征文件。Tesseract-OCR3.01以上的版本在訓練之前需要創建一個名稱為font_properties的字體特征文件。

font_properties不含有BOM頭，文件內容格式如下：

<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建一個名稱為font_properties的文件，用記事本打開，輸入以下下內容：

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建一個批處理文件，輸入如下內容。

rem 執行改批處理前先要目錄下創建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行。執行后的結果如下：

需確認打印結果中的Offset 1、3、4、5、13這些項不是-1。這樣，一個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。可以用它來進行字符識別了。

?

總結

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。