tesseract-ocr训练方法

﹏ヽ暗。殇╰゛Y 2022-08-01 13:49 210阅读 0赞

# 原 tesseract-ocr训练方法 #

发表于3年前(2012-05-30 08:52)   阅读（ 12371） | 评论（ [4][]） *13*人收藏此文章,我要收藏

*赞3*

[7.16，杭州，阿里巴巴。阿里百川无线开放大会报名开启，用技术驱动无线新商业][7.16]

tesseract-ocr有2和3两个版本，不同版本训练方法稍有不同。

第3版本的训练方法官版教程在这里：[TrainingTesseract3][]

第2版的训练方法官版教程在这里：[TrainingTesseract][]

我使用的是最新的3.01版本的。训练所需准备：

1.下载并安装3.01版本的tesseract。事实上并不需要安装这步骤，我下载的是[压缩包版][Link 1]，解压即可，这里我解压到E:\\Tesseract-ocr目录。

2.下载并安装[jTessBoxEditor][] 工具，这是一个Box file editors，用来编辑训练文件的，直接下载地址在[这里][Link 2]。这个软件是用java写的，运行需要安装jre，好在这个东西比.net好装多了，怎么运行可以见它的readme文件。

3.一张用来训练的tiff格式图片。

在不通过训练的前提下，使用tesseract来识别一个订单号的内容，如图[![1][]][1]发现错误率很高，希望通过训练来提高准确率。

训练过程：

1.通过合并10张如上图的图片合并为一张tiff格式的图片，如何合并呢？通过jTessBoxEditor的Merge Tiff 来完成，不过他的小缺点就是只能合并多张tiff格式的，如果你的图片是jpg的，需要先转换。生成后的tiff图片叫做orderNo.tif

2.Make Box Files。在orderNo.tif所在的目录下打开一个命令行，输入：

> E:\\Tesseract-ocr\\tesseract.exe orderNo.tif orderNo batch.nochop makebox

来生成一个box文件，该文件记录了tesseract识别出来的每一个字和其位置坐标。

3.使用jTessBoxEditor打开orderNo.tif文件，需要记住的是第2步生成的orderNo.box要和这个orderNo.tif文件同在一个目录下。逐个校正文字，后保存。

4.Run Tesseract for Training。输入命令：

> E:\\Tesseract-ocr\\tesseract.exe orderNo.tif orderNo nobatch box.train

5.Compute the Character Set。输入命令：

E:\\Tesseract-ocr\\unicharset\_extractor.exe orderNo.box

6.新建文件“font\_properties”。如果是3.01版本，那么需要在目录下新建一个名字为“font\_properties”的文件，并且输入文本 :

> orderNo 0 0 0 0 0

大致意思就是说orderNo这个语言的字体为普通字体。

并执行命令：

> E:\\Tesseract-ocr\\mftraining.exe -F font\_properties -U unicharset orderNo.tr

7.Clustering。输入命令：

> E:\\Tesseract-ocr\\cntraining.exe orderNo.tr

8.此时，在目录下应该生成若干个文件了，把unicharset, inttemp, normproto, pfftable这四个文件加上前缀“orderNo.”。然后输入命令：

> E:\\Tesseract-ocr\\combine\_tessdata.exe orderNo.

会显示一个结果如：

> Combining tessdata files  
> TessdataManager combined tesseract data files.  
> Offset for type 0 is -1  
> Offset for type 1 is 108  
> Offset for type 2 is -1  
> Offset for type 3 is 1660  
> Offset for type 4 is 327545  
> Offset for type 5 is 327781  
> Offset for type 6 is -1  
> Offset for type 7 is -1  
> Offset for type 8 is -1  
> Offset for type 9 is -1  
> Offset for type 10 is -1  
> Offset for type 11 is -1  
> Offset for type 12 is –1

必须确定的是第2、4、5、6行的数据不是-1，那么一个新的字典就算生成了。

此时目录下“orderNo.traineddata”的文件拷贝到tesseract程序目录下的“tessdata”目录。

以后就可以使用该该字典来识别了，例如：

> tesseract.exe test.jpg result –l orderNo

通过训练出来的新语言，识别率提高了不少。

**分享到：** ![sinaweibo_fb1.png_t_1399607812000][] ![tencent_weibo_fb.jpg_t_1399607782000][] 3赞

声明：OSCHINA 博客文章版权属于作者，受法律保护。未经作者同意不得转载。

*  [« 上一篇][Link 3]
 *  [下一篇 »][Link 4]

## 评论*4* ##

*  <table> 
     <tbody> 
      <tr> 
       <td><a href="http://my.oschina.net/u/659921" rel="nofollow"><img src="http://my.oschina.net/img/portrait.gif?t=1399607780000" title="wang59" align="absmiddle" alt=""></a></td> 
       <td> 
        <div> 
         <span>1</span>楼： 
         <a href="http://my.oschina.net/u/659921" rel="nofollow">wang59</a> 发表于 
         <span>2012-08-10 10:06</span> 
         <a href="http://my.oschina.net/lixinspace/blog/60124" rel="nofollow"> 回复此评论</a> 
        </div> 
        <div>
          您好，感谢您的文章分享， 
         <br> 我现在想下砸jTessBoxEditor 工具，但是http://sourceforge.net打不开。 
         <br> 能把这个工具发给我吗？googlet_t@126.com 
         <br> 谢谢呀 
        </div> </td> 
      </tr> 
     </tbody> 
    </table>
 *  <table> 
     <tbody> 
      <tr> 
       <td><a href="http://my.oschina.net/u/727112" rel="nofollow"><img src="http://my.oschina.net/img/portrait.gif?t=1399607780000" title="ydd505" align="absmiddle" alt=""></a></td> 
       <td> 
        <div> 
         <span>2</span>楼： 
         <a href="http://my.oschina.net/u/727112" rel="nofollow">ydd505</a> 发表于 
         <span>2013-07-11 16:06</span> 
         <a href="http://my.oschina.net/lixinspace/blog/60124" rel="nofollow"> 回复此评论</a> 
        </div> 
        <div>
          大大 请问jTessBoxEditor支持中文吗？ 
         <br> 
         <br> 我想生成中文汽车牌照的语言包 
         <br> 
         <br> 在线等 求！！！！！ 
         <br> 
         <br> 409779449@qq.com 
        </div> </td> 
      </tr> 
     </tbody> 
    </table>
 *  <table> 
     <tbody> 
      <tr> 
       <td><a href="http://my.oschina.net/u/727112" rel="nofollow"><img src="http://my.oschina.net/img/portrait.gif?t=1399607780000" title="ydd505" align="absmiddle" alt=""></a></td> 
       <td> 
        <div> 
         <span>3</span>楼： 
         <a href="http://my.oschina.net/u/727112" rel="nofollow">ydd505</a> 发表于 
         <span>2013-07-11 16:40</span> 
         <a href="http://my.oschina.net/lixinspace/blog/60124" rel="nofollow"> 回复此评论</a> 
        </div> 
        <div> 
         <div> 
          <h4>引用来自“wang59”的评论</h4> 
          <p>您好，感谢您的文章分享，<br> 我现在想下砸jTessBoxEditor 工具，但是http://sourceforge.net打不开。<br> 能把这个工具发给我吗？googlet_t@126.com<br> 谢谢呀</p> 
         </div> 大大 请问jTessBoxEditor支持中文吗？ 
         <br> 
         <br> 我想生成中文汽车牌照的语言包 
         <br> 
         <br> 在线等 求！！！！！ 
         <br> 
         <br> 409779449@qq.com 
        </div> </td> 
      </tr> 
     </tbody> 
    </table>
 *  <table> 
     <tbody> 
      <tr> 
       <td><a href="http://my.oschina.net/u/1404375" rel="nofollow"><img src="http://my.oschina.net/img/portrait.gif?t=1399607780000" title="tuling56" align="absmiddle" alt=""></a></td> 
       <td> 
        <div> 
         <span>4</span>楼： 
         <a href="http://my.oschina.net/u/1404375" rel="nofollow">tuling56</a> 发表于 
         <span>2014-01-06 11:31</span> 
         <a href="http://my.oschina.net/lixinspace/blog/60124" rel="nofollow"> 回复此评论</a> 
        </div> 
        <div>
          你好，你在文章中训练过程部分说的合并10张以上的图片，就是那个订单号的图片，你这个订单号的图片深度是多少位的？二值图还是灰度图？谢谢~~ 
        </div> </td> 
      </tr> 
     </tbody> 
    </table>

[4]: http://my.oschina.net/lixinspace/blog/60124#comments
[7.16]: http://baichuan.taobao.com/bcoc2015/index?from=oschinanews
[TrainingTesseract3]: http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3
[TrainingTesseract]: http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract
[Link 1]: http://code.google.com/p/tesseract-ocr/downloads/detail?name=tesseract-ocr-3.01-win32-portable.zip&can=2&q=
[jTessBoxEditor]: http://vietocr.sourceforge.net/training.html
[Link 2]: http://sourceforge.net/projects/vietocr/files/jTessBoxEditor/jTessBoxEditor-0.6.zip/download
[1]: /images/20220731/6b176c4eb1684b61ada25404e6f6433e.png
[sinaweibo_fb1.png_t_1399607812000]: http://my.oschina.net/img/sinaweibo_fb1.png?t=1399607812000
[tencent_weibo_fb.jpg_t_1399607782000]: /images/20220731/39a21e8c4ff04f8aa9ad4f7b1bf2a032.png
[Link 3]: http://my.oschina.net/lixinspace/blog/60123
[Link 4]: http://my.oschina.net/lixinspace/blog/70684