Tesseract-OCR批量标注及合并数据集的一种思路

水深无声 2022-05-04 11:30 300阅读 0赞

# 背景 #

Tesseract标注训练最根本的文件是两个：tiff文件（存储图片）及box文件（标注字符值和位置）  
一般tiff用命令合成，box文件用jTessBoxEditor生成。

# 背景知识 #

参考前一篇博客，可以用python读写tiff文件。

另外box每一行的格式如下（6个元素）：

tag x1 y1 x2 y2 frame-num

tag即OCR识别后的字符的值，(x1,y1)是box左下角坐标，(x2, y2)是box右上角的坐标 。注意box文件的坐标系原点是图片的左下角。

frame-num是图片在tiff文件里的序号，从0开始。每一帧可以有多个标注，也可以有一个。

比如，一个标注数字的box文件部分内容如下：

2 28 2 40 18 0
    0 39 2 51 18 0
    8 51 2 63 18 0
    3 172 2 183 18 0
    0 183 2 195 18 0
    2 195 2 208 18 0
    4 208 2 220 18 0
    1 220 2 230 18 0
    3 16 2 27 18 1
    2 28 2 39 18 1
    0 40 2 51 18 1
    1 52 3 61 18 1
    2 64 2 75 18 1
    0 183 2 195 18 1
    7 196 2 207 18 1
    1 208 2 217 18 1
    7 219 2 232 18 1
    3 16 2 27 18 2
    2 27 2 39 18 2
    0 39 2 51 18 2
    1 52 2 60 18 2
    2 64 2 75 18 2

## 一个坑 ##

jTessBoxEditor界面上显示的box的位置，坐标系原点在图片左上角，描述box位置的4个元素是（x, y, w, h），其中（x,y）是box左上角的坐标，（w,h）是框的宽高。

同一个软件，两种不同的坐标系及box表示方法，不得不服作者。

官方说明文档这么说的：

Note that the coordinate system used in the box file has (0,0) at the bottom-left; on computer graphics devices, however, (0,0) is defined as top-left. jTessBoxEditor uses and displays in the graphics device coordinates. The edited box files are still read and written in proper format.

# 批量标注和合并数据集的思路 #

我手上有一批同样分辨率的汉字图片（有标注值），有了上面的知识，就可以将这些图片合并到一个tiff文件，并且将相应的标注信息写入一个box文件。假设图片分辨率为64X64, 那么(x1,y1,x2,y2)我就取(0,0,64,64)。

![在这里插入图片描述][70]  
如果有两个tiff及box，只要把图片调整为相同的分辨率，或者用空白补齐，就可以把图片抽出来合并为一个tiff文件，并适当修改box信息，合并为一个box文件。

# 参考资料 #

[Tesseract-OCR的简单使用与训练][Tesseract-OCR]

[python之tiff文件读写][python_tiff]

[70]: /images/20220504/51f831e92db1479086c87add92fe2fe2.png
[Tesseract-OCR]: https://www.cnblogs.com/cnlian/p/5765871.html
[python_tiff]: https://blog.csdn.net/yuanlulu/article/details/83279768