zoukankan      html  css  js  c++  java
  • [转]Tesseract 3.02中文字库训练

    下载chi_sim.traindata字库
    下载tesseract-ocr-setup-3.02.02.exe 
    下载地址:http://code.google.com/p/tesseract-ocr/downloads/list
    下载jTessBoxEditor用于修改box文件
    下载地址:http://download.csdn.net/detail/a443475601/5896893 里面自带java运行库,安装后 然后启动命令行 java -jar jTessBoxEditor.jar即可打开

    为了方便 tif文面命名格式[lang].[fontname].exp[num].tif
    lang是语言 fontname是字体 
    比如我们要训练自定义字库 image 字体名MyFont
    那么我们把tif文件重命名 image.MyFont.exp0.tif

    下面开始训练字库:
    1、tesseract image.MyFont.exp0.tif image.MyFont.exp0 -l chi_sim batch.nochop makebox
    该步骤会生成一个image.MyFont.exp0.box文件
    把tif文件和box文件放在同一目录,用jTessBoxEditor.jar打开tif文件,然后根据实际情况修改box文件 
    2、tesseract image.MyFont.exp0.tif image.MyFont.exp0 nobatch box.train
    该步骤生成一个image.MyFont.exp0.tr文件
    3、unicharset_extractor image.MyFont.exp0.box
    该步骤生成一个unicharset文件
    4、新建一个font_properties文件
    里面内容写入MyFont 0 0 0 0 0 表示默认普通字体
    5、运行命令
    shapeclustering -F font_properties -U unicharset image.MyFont.exp0.tr
    mftraining -F font_properties -U unicharset -O image.unicharset image.MyFont.exp0.tr
    cntraining image.MyFont.exp0.tr
    6、把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上image.
    7、执行combine_tessdata image.
    然后把image.traineddata放到tessdata目录
    8、用新的字库对图片进行分析
    tesseract test.tif output -l image

    ----------------------------------------------

    转自[

    ]

    ----------------------------------------------

    后记1:当在进行新语言训练时,应在jTessBoxEditor中将每个字符或字的边框单独修改,不能两个字用一个边框如你好,那样将导致Tesseract识别不出来!

  • 相关阅读:
    java 数组及数组得内存管理总结
    js 日期格式化
    url获取参数值,支持中文、英文
    C# log4net 的日志代码配置
    js 处理浏览器显示地址
    mui <a>标签跳转失效的处理
    js 实时输入事件
    asp.mvc 页面获取当前请求的控制器和方法
    js 获取元素值
    DllImport System.DllNotFoundException 找不到指定的模块。 (Exception from HRESULT: 0x8007007E)
  • 原文地址:https://www.cnblogs.com/chinaHunk/p/3930717.html
Copyright © 2011-2022 走看看