文章 84
评论 86
浏览 36627
Tesseract-OCR样本训练

Tesseract-OCR样本训练

之前闲着写了一个识别小篆的APP,用到了Tesseract-OCR,由于没有小篆的训练数据,只能自己搞,五六千个字吧,一个个调整,当时花了挺多时间的,哈,记录下训练过程

Tesseract-OCR 仓库地址 :https://github.com/tesseract-ocr/tesseract

1. 下载安装Tesseract

到这里下载,下载完成自行安装
这时候已经可以使用自带的训练数据进行文本识别了,具体命令为

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

简单点就tesseract myscan.png out就可以了
好了,今天主要讲怎么训练,关于使用可以查看文档

2. 下载box editor

box editor在训练过程中需要用到,提前下载。下载页面,我下载的是java版本,也就是jTessBoxEditor,具体下载地址是这里,使用时需要有java环境,因为我写Android,环境都是配好的,反正配置起来也不难,搜一下就行,略过。下载回来解压,双击jar能正常打开,基本就没问题了
QQ截图20190807091500.png

3. 准备训练内容

要识别什么文字,就准备什么文字。这里我们识别小篆,于是我准备了一份含有6598个已经去除重复汉字的文档,通过设置字体将所有文字转换为方正小篆体,随后调整每行文字个数为10个,文字大小为28号,行间距为1.0倍,方便识别。然后通过系统的打印功能,将整个文档打印成tif格式的图片,部分截图

全部转换为图片后,按照chi.xiaozuan.exp0, chi.xiaozuan.exp1, ……的规律依次命名各个图片。
QQ截图20190807091735.png

4. 创建box文件

命名完成后,执行

tesseract chi.xiaozuan.exp0 chi.xiaozuan.exp0 -l chi_sim batch.nochop makebox

命令生成box文件,并且按照相同的命令将剩余的其他图片也生成box文件,命令执行成功后,文件夹内会出现与图片名字相同的box文件。
如果样本多的话,建议写个批处理循环跑。
QQ截图20190807091836.png

5. box校正

生成box文件后,一般情况下生成的box并不是全部正确的,因此需要手工调整,使其正确切分文字,此时打开前面下载的jTessBoxEditor,选Box Editor,打开图片挨个调整,校正每个文字,校正完成后如下图:
图片2.png
校正需要使每个小篆文字刚好被方框框住,并且在左侧对应的表格内填入正确的简体字。
mergesplitinsertdelete分别为合并,分割,插入和删除,另外选择Box View可以使用一些快捷键,具体看图:
QQ截图20190807092443.png
(大部分时间都花在了这个步骤,基本每个字都要调整,搞吐血了都快)

6. 训练

使用修改正确的box文件对Tesseract进行训练,执行以下命令:

tesseract.exe chi.xiaozuan.exp0.tif chi.xiaozuan.exp0 nobatch box.train

训练完成后,系统将会生成同名的tr文件
同样,如果样本多,建议跑循环
QQ截图20190807092518.png

7. 生成Character集合

训练完成后需要生成Character集合,执行以下命令:

unicharset_extractor.exe chi.xiaozuan.exp0 chi.xiaozuan.exp1 chi.xiaozuan.exp2……

需要将所有图片合并成一个Character集合,生成一个名为unicharset的文件

8. 创建字体特征文件

在训练目录下创建一个名为font_properties的字体特征文件,且该文件需要不含BOM头,文件内容为xiaozuan 0 0 0 0 0

9. 创建剩余所需文件

执行以下两条命令:

mftraining.exe -F font_properties -U unicharset -O chi.xiaozuan.exp0.tr chi.xiaozuan.exp1.tr……
cntraining.exe chi.xiaozuan.exp0.tr chi.xiaozuan.exp1.tr……

执行完成后会生成inttemppffmtablenormprotoshapetable四个文件,以及一个叫chi.unicharset的文件,手动修改前四个文件的名称为chi.nttempchi.pffmtablechi.normprotochi.shapetable
QQ截图20190807094412.png

10. 合并文件

最后合并以上文件生成训练好的可以直接使用的数据文件,执行以下命令:

combine_tessdata chi

命令执行完成后会生成chi.traineddata,这就是我们最终需要的数据,可以直接丢在Tesseract的数据文件夹中使用。

11. 附上我的批处理脚本,路径次数自行修改,也可以使用相对路径

11.1. makebox

echo run make box
set time=11
for /l %%i in (0,1,%time%) do (
	tesseract.exe E:\svn\tesseract\testData\chi.xiaozuan.exp%%i.tif E:\svn\tesseract\testData\chi.xiaozuan.exp%%i -l chi_sim batch.nochop makebox 
)
pause

11.2. train

echo run train
set time=11
for /l %%i in (0,1,%time%) do (
	tesseract.exe E:\svn\tesseract\testData\chi.xiaozuan.exp%%i.tif E:\svn\tesseract\testData\chi.xiaozuan.exp%%i  -l chi_sim nobatch box.train
)
pause

11.3. unicharset

echo run unicharset_extractor
setlocal EnableDelayedExpansion
set time=11
for /l %%i in (0,1,%time%) do (
	set str=!str!E:\svn\tesseract\testData\chi.xiaozuan.exp%%i.box 
)
echo !str!
unicharset_extractor.exe !str!

11.4. mftraining

echo run mftraining
setlocal EnableDelayedExpansion
set time=11
for /l %%i in (0,1,%time%) do (
	set str=!str!E:\svn\tesseract\testData\chi.xiaozuan.exp%%i.tr 
)
echo !str!
mftraining.exe -F font_properties -U unicharset -O chi.unicharset !str!

11.5. cntraining

echo run cntraining
setlocal EnableDelayedExpansion
set time=11
for /l %%i in (0,1,%time%) do (
	set str=!str!E:\svn\tesseract\testData\chi.xiaozuan.exp%%i.tr 
)
echo !str!
cntraining.exe !str!
一步踏尽一树白
一桥轻雨一伞开
一梦黄粱一壶酒
一身白衣一生裁

forever alone forever sad