目錄

1. 安裝tesseract ocr引擎和jTessBoxEditor
2. 安裝jTessBoxEditor
3. 開(kāi)始制作box
4. 準(zhǔn)備好訓(xùn)練的圖片
5. 將圖片轉(zhuǎn)為tif格式的樣本圖片
6. 合并樣本圖片
7. 修改box文件
8. 用腳本生成 或按下面步驟
9. 生成font_properties
10. 生成
11. 訓(xùn)練
12. 生成字符集文件
13. 生成shape文件
14. 生成聚集字符特征文件
15. 生成字符正嘲苌埃化特征文件
16. 合成最終文件
17. 改名
    2.合并字庫(kù)文件

在上一篇文章tess_two Android圖片文字識(shí)別中姻乓，使用tess_two完成了簡(jiǎn)單的文字識(shí)別丽啡。
博客地址
但是發(fā)現(xiàn)一個(gè)很明顯的問(wèn)題是杯道，默認(rèn)的識(shí)別速度比較慢编丘。識(shí)別四個(gè)很明顯的字需要將近兩秒买窟。
DemoGitHub可以試試胚迫。

我用不了那么多字庞钢，然后就按官方和網(wǎng)上的資料自己做了一個(gè)識(shí)別庫(kù)，這個(gè)庫(kù)只能識(shí)別訓(xùn)練過(guò)的文字因谎。速度生成的文件應(yīng)該跟訓(xùn)練的字?jǐn)?shù)有關(guān)的基括，我實(shí)驗(yàn)了幾個(gè)字橙数，只有100多k。
看看速度,快了很多潦蝇。

下面大致記錄一下制作訓(xùn)練識(shí)別庫(kù)的方法碍遍。相對(duì)比較簡(jiǎn)單。

安裝tesseract ocr引擎和jTessBoxEditor

在官網(wǎng)上可以找到Window和Mac的安裝方法挫鸽，window的有專(zhuān)門(mén)的額客戶(hù)端。我的是Mac，所以選的是Homebrew安裝患朱。

Homebrew 是一個(gè)包管理器，如果沒(méi)裝的話(huà)炊苫，在終端執(zhí)行ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"就會(huì)自動(dòng)裝好裁厅。

單純的安裝tesseract ocr引擎是可以直接用官網(wǎng)的命令brew install tesseract

但是，我后面要用到訓(xùn)練樣本的命令侨艾，所以我們要用到的安裝命令是brew install --with-training-tools tesseract,否則后面一些命令會(huì)找不到执虹。

如果初次安裝用了第一個(gè)，那么可以先用brew uninstall tesseract卸載掉唠梨，然后執(zhí)行brew install --with-training-tools tesseract重新安裝袋励。

裝好之后，找到在上篇文章中下載的chi_sim.traineddata。

然后復(fù)制到/usr/local/Cellar/tesseract/3.05.00/share/tessdata中備用茬故。里面已經(jīng)自帶了eng.traineddata盖灸。 這一步不是必須的，而且我這樣好想還容易出錯(cuò)磺芭。

安裝jTessBoxEditor

這里提供了很多第三方的訓(xùn)練工具赁炎，我選第一個(gè)jTessBoxEditor。

jTessBoxEditor是基于java的钾腺，多以可以跨平臺(tái)徙垫，下載下來(lái)在Mac和Windows上都能運(yùn)行。
下載下來(lái)是這樣的

jTessBoxEditor

啟動(dòng)jTessBoxEditor.jar就能打開(kāi)客戶(hù)端垮庐。

這里我有一個(gè)疑問(wèn)松邪，別人電腦上都能雙擊這個(gè)文件打開(kāi)，而我的電腦雙擊一閃就沒(méi)了哨查，只能用在終端里打開(kāi)逗抑。。

開(kāi)始制作box

準(zhǔn)備好訓(xùn)練的圖片：

什么格式應(yīng)該沒(méi)關(guān)系寒亥，反正都要轉(zhuǎn)化成tif格式的邮府。

將圖片轉(zhuǎn)為tif格式的樣本圖片

方法有很多，我用的在線(xiàn)轉(zhuǎn)化溉奕。
下載下來(lái)的文件是

合并樣本圖片

大家應(yīng)該注意到有一個(gè)new文件夾，這個(gè)文件夾用來(lái)放之后生成的各種文件的鳄梅，包括最終的traineddata文件叠国。
打開(kāi)jTessBoxEditor.jar，然后點(diǎn)菜單上的Tool->Merge TIFF

點(diǎn)擊保存后坦胶，會(huì)在new文件夾中生成合并的sll.normal.exp0.tif文件

然后執(zhí)行命令翅阵，
如果前面復(fù)制了chi_sim.traineddata文件的話(huà)用下面的

tesseract sll.normal.exp0.tif sll.normal.exp0 -l chi_sim batch.nochop makebox

否則用這個(gè),默認(rèn)的歪玲。上面那個(gè)有時(shí)候會(huì)出錯(cuò)沒(méi)我也不知道為什么。

tesseract sll.normal.exp0.tif sll.normal.exp0 -l eng batch.nochop makebox

會(huì)在當(dāng)前文件夾下生成sll.normal.exp0.box文件

修改box文件

打開(kāi)jTessBoxEditor.jar掷匠，點(diǎn)擊Box Editor->open
然后選上一步的tif文件滥崩，會(huì)自動(dòng)打開(kāi)綁定的box文件。

在里面可以對(duì)他的識(shí)別區(qū)域讹语，識(shí)別結(jié)果進(jìn)行一些修改钙皮，達(dá)到我們正確的識(shí)別目的

全部修改完后點(diǎn)擊save。

用腳本生成

下面的步驟可以寫(xiě)一個(gè)腳本自動(dòng)完成顽决。生成box文件就一行代碼短条，就不用寫(xiě)了。
比如才菠，在new文件夾下創(chuàng)建一個(gè)gettraineddata.shell,里面寫(xiě)

#!/bin/sh
read -p "輸入你語(yǔ)言:" lang
echo ${lang}
read -p "輸入你的字體:" font
echo ${font}
echo "所以完整文件名為："
echo ${lang}.${font}.exp0.tif
echo "開(kāi)始茸时。。赋访。"
echo ${font} 0 0 0 0 0 >font_properties
tesseract  ${lang}.${font}.exp0.tif ${lang}.${font}.exp0  nobatch box.train
unicharset_extractor ${lang}.${font}.exp0.box
shapeclustering -F font_properties -U unicharset ${lang}.${font}.exp0.tr
mftraining -F font_properties -U unicharset -O unicharset ${lang}.${font}.exp0.tr
cntraining ${lang}.${font}.exp0.tr
echo "開(kāi)始重命名文件"
mv inttemp ${font}.inttemp
mv normproto ${font}.normproto
mv pffmtable ${font}.pffmtable
mv shapetable ${font}.shapetable
mv unicharset ${font}.unicharset
echo "生成最終文件"
combine_tessdata ${font}.
echo "完成"

當(dāng)然里面的東西可以改可都，要輸入的語(yǔ)言和字體是根據(jù)tif文件的名字來(lái)的
比如我的文件是sll.normal.exp0.tif
所以就這樣輸入

如果不出錯(cuò)，就能看見(jiàn)new里面變成了這樣

生成font_properties

在new文件夾中執(zhí)行下面命令,會(huì)生成一個(gè)font_properties文件渠牲，里面的內(nèi)容是normal 0 0 0 0 0 。

echo normal 0 0 0 0 0 >font_properties

生成

接下來(lái)就是一條條命令生成一個(gè)個(gè)文件了

訓(xùn)練

tesseract sll.normal.exp0.tif sll.normal.exp0 nobatch box.train

生成字符集文件

unicharset_extractor sll.normal.exp0.box

生成shape文件

shapeclustering -F font_properties -U unicharset sll.normal.exp0.tr

生成聚集字符特征文件

mftraining -F font_properties -U unicharset -O unicharset sll.normal.exp0.tr

生成字符正扯κ蓿化特征文件

cntraining sll.normal.exp0.tr

合成最終文件

改名

上面幾步完成后答姥，會(huì)看到下面五個(gè)文件

然后全部重命名，前面加上normal. 就是字體名谚咬，變成

合并字庫(kù)文件

combine_tessdata normal.

參考http://www.cnblogs.com/zhongtang/p/5555950.html?utm_source=tuicool&utm_medium=referral
參考http://www.cnblogs.com/wzben/p/5930538.html