Tesseract-OCR-04-使用 jTessBoxEditor 提高文字识别准确率 – 肖朋伟 – CSDN博客

  • A+
所属分类:其他杂项
本文信息本文由方法SEO顾问发表于2019-09-2300:14:51,共 2927 字,转载请注明:Tesseract-OCR-04-使用 jTessBoxEditor 提高文字识别准确率 – 肖朋伟 – CSDN博客_【方法SEO顾问】

本篇是关于 jTessBoxEditor 进行训练,使 Tesseract-OCR 文字识别准确率得到极大的提高,本篇完善了很多细节,初学者也可以看懂,一起学习吧!

Tesseract-OCR-使用 jTessBoxEditor 进行训练

  • 训练的大致步骤:
  • 安装jTessBoxEditor -> 获取样本文件 -> Merge样本文件 –> 生成BOX文件 -> 定义字符配置文件 -> 字符矫正 -> 执行批处理文件 -> 将生成的traineddata放入tessdata中

1.安装 jTessBoxEditor

  • 下载jTessBoxEditor,地址
  • 解压后得到jTessBoxEditor

  • 由于这是由Java开发的,所以我们应该确保在运行jTessBoxEditor前先安装JRE(Java Runtime Environment,Java运行环境)
  • 没有安装 jre 的可以到官网下载安装:

    http://www.oracle.com/technetwork/java/javase/downloads/jre8-downloads-2133155.html

  • jre 安装就不仔细介绍了,因为能找到这篇的,基本都安装过了,下面介绍 jTessBoxEditor
  • 但是呢,这个 jTessBoxEditor ,不用安装,直接解压就可以,单击解压到或者直接拉出来就可以了

2.获取样本文件

  • 我们可以用画图工具绘制样本文件,数量越多越好,我自己画了 5 张图作为训练的数据,如图:
  • 【注意】:样本图像文件格式必须为tif\tiff格式,否则在Merge样本文件的过程中会出现 Couldn’t Seek 的错误。
  • 再转格式嫌麻烦就直接拿走我的:https://pan.baidu.com/s/1hoTkxMVw5z_ve9hzftLOqw

3.Merge样本文件

  • 在安装目录找到一个【train.bat】打开 jTessBoxEditor >【Tools】>【Merge TIFF】
  • 操作截图:

  • 将样本文件全部选上,安装 Ctrl 键不松
  • 【注意】:这里是没有界面化的提示的,选中后,点击【打开】,立马就是输入合成后的文件名界面,输入num.font.exp0.tif,点击【保存】
  • 也就是将合并文件保存为 num.font.exp0.tif

4.生成BOX文件

  • 打开 cmd 并切换至 num.font.exp0.tif 所在目录

    • 使用 cd 目录名 进入目录
    • 使用 cd.. 返回上一级目录
  • 输入下面命令,生成文件名为num.font.exp0.box

    tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox

【语法】:tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox  
【语法】:lang为语言名称,fontname为字体名称,num为序号;在tesseract中,一定要注意格式12
  • 操作截图

    如果报错可能是没有进入合并好的 tif 文件目录下,也可能是没有换成自己用的文件名哦

5.定义字符配置文件

  • 在文件夹文件夹内,新建一个文本文件,名为font_properties,删掉.txt,用记事本打开,写入内容为:


    font 0 0 0 0 0

【语法】:<fontname> <italic> <bold> <fixed> <serif> <fraktur> 
【语法】:fontname为字体名称,italic为斜体,bold为黑体字,
fixed为默认字体,serif为衬线字体,fraktur德文黑字体,
1和0代表有和无,精细区分时可使用1234

6.准备环节

  • 将5个tif文件,num.font.exp0.tif,生成的num.font.exp0.box文件,还有font_properties文件放在同一个目录下
  • 目前8个文件,截图:

7.字符矫正

  • 打开 jTessBoxEditor>【BOX Editor】> 【Open】,打开num.font.exp0.tif;矫正【Char】上的字符
  • 操作截图:
  • 【注意】:记得[Page]有好多页哦!修改后记得保存
  • 当然有可能生成的 box 文件后,会多一个盒子,它把7识别成了两个
  • 处理方式:自己根据看到的数字修改char,如果不是完整字符就敲 空格,然后回车
  • 操作截图:
  • 然后就是依次处理 5 页
  • 最后保存,替换原来的 box 文件

8.执行批处理文件

  • 【注意】:执行该批处理文件前,先要目录下创建font_properties文件 ,也就是滴 5 步
  • 在目标目录下,新建一个txt文件,复制代码,重命名为 do.bat,直接更改后缀名就可以
  • 代码如下
echo Run Tesseract for Training.. 
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train 

echo Compute the Character Set.. 
unicharset_extractor.exe num.font.exp0.box 
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr 


echo Clustering.. 
cntraining.exe num.font.exp0.tr 

echo Rename Files.. 
rename normproto num.normproto 
rename inttemp num.inttemp 
rename pffmtable num.pffmtable 
rename shapetable num.shapetable  

echo Create Tessdata.. 
combine_tessdata.exe num. 

echo. & pause123456789101112131415161718192021
  • 保存后,双击执行即可,执行后会在文件夹生成很多文件,如下:

9.拷贝 num.trainddata 文件

  • 最后将 num.trainddata 复制到 Tesseract-OCR 安装目录下的 tessdata 文件夹
  • 【注意】:这里是【Tesseract-OCR 安装目录下的 tessdata 文件夹】

10.大功告成,测试结果

  • 这里我是将图片 num1.jpg 放在了:D:\p
  • 我们需要在 cmd 进入此目录
    • 使用 cd 目录名 进入目录
    • 使用 cd.. 返回上一级目录
  • 使用 Tesseract 命令:
  • 【注意】:语言参数要设置成 num,就是我们刚才拷贝的,没拷贝 num.trainddata 文件不能使用
    tesseract 文件名 保存的txt文件名 例:

    tesseract num1.jpg num01 -l num

  • 操作截图:

    • 运行结果:

  • 我们可以看到新生成的文件 num01 的内容为 762408,内容完全正确。细心的人会发现,最后一句指令,我们使用了指令[-l num]而不是[-l eng]。这说明,最后一次转换我们使用的是新生成的num语言的匹配库而不是默认的 eng 语言匹配库

  • 我们可以看到,经过简单的训练,我们对于数字数据的转换准确率提高了很多

  • 看到这里如果还没有安装工具,参考: Windows下 Tesseract-OCR 的安装与 环境变量配置
  • 本篇完善了很多细节,初学者也可以看懂,奉上 原文链接,拜拜

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: