OCR2：tesseract字库训练

由于tesseract的中文语言包“chi_sim”对中文字体或者环境比较复杂的图片，识别正确率不高，因此需要针对特定情况用自己的样本进行训练，提高识别率，通过训练，也可以形成自己的语言库。

工具：

• Java虚拟机，由于jTessBoxEditor的运行依赖Java运行时环境，所以需要安装Java虚拟机。下载地址：http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html

• jTessBoxEditor2.0工具，用于调整图片上文字的内容和位置，下载地址：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

• 安装包解压后双击里边的“jTessBoxEditor.jar”，或者双击该目录下的“train.bat”脚本文件，就可以打开该工具了

第一步：合成图片集

• 打开jTessBoxEditor，选择 Tools->Merge TIFF，进入训练样本所在文件夹，选中要参与训练的样本图片：进行训练的样本图片数量越多越好

• 点击 “打开” 后弹出保存对话框，选择保存在当前路径下，文件命名为： “demo.test.exp0.tif” ，格式只有一种 “TIFF” 可选。

  
  • tif文面命名格式：[lang].[fontname].exp[num].tif
  • lang：是语言，fontname：是字体，num：为自定义数字。
  • 比如我们要训练自定义字库 demo，字体名 test，那么我们把图片文件命名为 demo.test.exp0.tif

第二步：生成box文件

• 在上一步骤生成的 .tif 文件所在目录下打开命令行程序，执行下面命令,执行完之后会生成 .box文件, .BOX文件为Tessercat识别出的文字和其坐标。
• 命令：tesseract demo.test.exp0.tif demo.test.exp0 -l chi_sim -psm 7 batch.nochop makebox
• 

第三步：矫正.box文件的错误

• .box文件记录了每个字符在图片上的位置和识别出的内容，训练前需要使用jTessBoxEditor调整字符的位置和内容。（注：图片dpi > 300 时效果更好）
• 打开jTessBoxEditor点击Box Editor ->Open，打开步骤2中生成的 .tif，会自动关联到 .box 文件，这两文件要求在同一目录下。调整完点击“save”保存修改。
• 

第四步：生成font_properties文件（该文件没有后缀名）

• 执行命令，会在当前目录生成font_properties文件，命令：echo test 0 0 0 0 0 >font_properties
• 执行完成之后，在当前文件夹下生成font_properties文件

• 也可以手动在该文件夹下建立一个名为 “font_properties” 的文件，这个文件没有后缀名称，输入内容 “font 0 0 0 0 0” ， 表示字体 font 的粗体、倾斜等共计5个属性全都设置为0。注意 ：这里输入的 “font” 名称必须与 “demo.test.exp0.box” 中两个点号之间的 “test” 名称保持一致。

• 

第五步：生成.tr训练文件

• 执行生成 demo.test.exp0.tr 文件，命令：tesseract demo.test.exp0.tif demo.test.exp0 nobatch box.train
• 

第六步：生成字符集文件

• 执行命令，生成一个名为“unicharset”的文件；命令：unicharset_extractor demo.test.exp0.box
• 

第七步：生成shape文件

• 执行命令，生成 shapetable 和 demo.unicharset 两个文件。命令：shapeclustering -F font_properties -U unicharset -O demo.unicharset demo.test.exp0.tr
• 

第八步：生成聚字符特征文件

• 执行命令，会生成 inttemp、pffmtable、shapetable和demo.unicharset四个文件。命令：mftraining -F font_properties -U unicharset -O demo.unicharset demo.test.exp0.tr
• 

第九步：生成字符正常化特征文件

• 执行命令，生成 normproto 文件。命令：cntraining demo.test.exp0.tr
• 

第十步：文件重命名

• 重新命名inttemp、pffmtable、shapetable和normproto这四个文件的名字为[lang].xxx。这里修改为demo.inttemp、demo.pffmtable、demo.shapetable和demo.normproto

rename normproto demo.normproto
rename inttemp demo.inttemp
rename pffmtable demo.pffmtable
rename shapetable demo.shapetable
rename unicharset demo.unicharset

第十一步：合并训练文件

• 执行下面命令，会生成demo.traineddata文件。命令：combine_tessdata demo.
• 将生成的“demo.traineddata”语言包文件复制到Tesseract-OCR 安装目录下的tessdata文件夹中，就可以使用训练生成的语言包进行图像文字识别了。 
• 

测试

import pytesseract
from PIL import Image as img


class Languages:
    CHS = 'chi_sim'
    CHT = 'chi_tra'
    ENG = 'eng'
    DM = 'demo'
    

text = pytesseract.image_to_string(img.open('demo.jpg'), lang=Languages.DM)
print(text)

参考资料：

• https://blog.csdn.net/a745233700/article/details/80175883
• https://blog.csdn.net/qq_37674858/article/details/80340914