tesseract-ocr 文字訓練

在玩tesseract-ocr部分,當然要訓練圖形,讓tesseract-ocr原件去擷取特徵值

 下載: jTessBoxEdit 工具

 JTessBoxEdit是方便去框取字元 , 然後輸入字元跟制定座標軸

因為過於簡單 ~ 所以JTessBoxEdit部分 ~ 比較後會補充一下

首先主要講要怎麼製作訓練字元的語言包

因為每個版本都有差異如果要比較詳細的話就參考:

 https://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3

詳細Tesseract 應用技術跟詳細流程文件(推薦):

 https://code.google.com/p/tesseract-ocr/wiki/Documentation

1.

網址:http://vietocr.sourceforge.net/training.html

 2.

 

3.

 

4.

 

5.

 

6.

 

7.

 

8.

 

9. cd C:\Program Files (x86)\Tesseract-OCR

 

10. 輸入  tesseract sel.timesitalic.exp0.tif sel.timesitalic.exp0 box.train

11.輸入  unicharset_extractor sel.timesitalic.exp0.box

 

12. font_properties 是自己去新增 ~ 

沒有什麼附檔名 ~ 就是直接命名 font_properties

輸入 timesitalic 1 0 0 1 0

之後DOS 輸入 shapeclustering -F font_properties -U unicharset sel.timesitalic.exp0.tr

 

13.輸入: mftraining -F font_properties -U unicharset -O unicharset sel.timesitalic.exp0.tr

 

14.輸入: cntraining sel.timesitalic.exp0.tr

 

15.

 

16.

 

17.輸入 : combine_tessdata sel.

 

18.

19. 輸入:  tesseract.exe sel.timesitalic.exp0.tif ch001 -l sel

如果懶得用jTessBoxEditor 可以直接全部用DOS指令

1.

tesseract sel.timesitalic.exp0.tif sel.timesitalic.exp0 batch.nochop makebox
2.
tesseract sel.timesitalic.exp0.tif sel.timesitalic.exp0 box.train
3.
unicharset_extractor sel.timesitalic.exp0.box
4.
shapeclustering -F font_properties -U unicharset sel.timesitalic.exp0.tr
5.
mftraining -F font_properties -U unicharset -O unicharset sel.timesitalic.exp0.tr
6.
cntraining sel.timesitalic.exp0.tr
7.
combine_tessdata sel.
8.
tesseract.exe sel.timesitalic.exp0.tif ch001 -l sel

 

jTessBoxEdit 工具利用(附加篇)=>補上之前有一篇的符號辨識

1.

 

2.

 

3.

 

4.

 

5.

 

6.

 

7.

 

8.

之後照著之前的教學產生語言包去辨識符號