Linux下 (Ubuntu16.04 ) Tesseract4.0训练字库，提高正确识别率Linux下(合并字库)

àì夳堔傛蜴生んèń 2021-07-26 19:40 579阅读 0赞

由于tesseract的中文语言包“chi\_sim”对中文手写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。

## Linux和windows的系统方法一样,就是下面改名的地方,linux用的mv 命令,windows要用rename命令 , linux下要先安装 tesseract-ocr ##

sudo apt install tesseract-ocr

步骤：

1、工具准备：

（1）官方文档：[https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract-4.00][https_github.com_tesseract-ocr_tesseract_wiki_TrainingTesseract-4.00]

（2）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][http_www.oracle.com_technetwork_java_javase_downloads_jdk8-downloads-2133151.html]

（3）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/][https_sourceforge.net_projects_vietocr_files_jTessBoxEditor]

安装包解压后运行的“jTessBoxEditor.jar”，，就可以打开该工具了。

java -jar jTessBoxEditor.jar // linux下

2、样本图片准备：（进行训练的样本图片数量越多越好）

这里只准备2种不同字体样本进行测试：

![在这里插入图片描述][20180503103813813]

![在这里插入图片描述][2018050310382386]  
3、使用jTessBoxEditor生成训练样本的的合并tif图片：

（1）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：  
![在这里插入图片描述][20180503105938922]

（2）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 “zwp.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 zwp，字体名test，那么我们把图片文件命名为 zwp.test.exp0.tif  
![在这里插入图片描述][20180503135721235]

4、使用tesseract生成.box文件：

在上一步骤生成的“zwp.test.exp0.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zwp.test.exp0.box文件。

tesseract zwp.test.exp0.tif zwp.test.exp0 -l chi_sim -psm 7 batch.nochop makebox

![在这里插入图片描述][20180503140402610]

5、使用jTessBoxEditor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。

打开jTessBoxEditor点击Box Editor ->Open，打开步骤2中生成的“zwp.test.exp0.tif”，会自动关联到“zwp.test.exp0.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。(有merge,split ,insert.delete等操作,同时可以将包含字的框进行调节 ,图中用调整位置标红)  
![在这里插入图片描述][20180503143537980]

6、生成font\_properties文件：（该文件没有后缀名）

（1）执行命令，执行完之后，会在当前目录生成font\_properties文件

echo test 0 0 0 0 0 >font_properties

（2）也可以手工新建一个名为font\_properties的文本文件，输入内容 “test 0 0 0 0 0” 表示字体test的粗体、倾斜等共计5个属性。这里的“test”必须与“zwp.test.exp0.box”中的“test”名称一致。

7、使用tesseract生成.tr训练文件:

执行下面命令，执行完之后，会在当前目录生成zwp.test.exp0.tr文件。

tesseract zwp.test.exp0.tif zwp.test.exp0 nobatch box.train

![在这里插入图片描述][20180503145336334]

8、生成字符集文件：

执行下面命令：执行完之后会在当前目录生成一个名为“unicharset”的文件。

unicharset_extractor zwp.test.exp0.box

![在这里插入图片描述][20180503145658598]

9、生成shape文件：

执行下面命令，执行完之后，会生成 shapetable 和 zwp.unicharset 两个文件。

shapeclustering -F font_properties -U unicharset -O zwp.unicharset zwp.test.exp0.tr

![在这里插入图片描述][20180503150539834]

10、生成聚字符特征文件：

执行下面命令，会生成 inttemp、pffmtable、shapetable和zwp.unicharset四个文件。

mftraining -F font_properties -U unicharset -O zwp.unicharset zwp.test.exp0.tr

![在这里插入图片描述][20180503151221709]

11、生成字符正常化特征文件：

执行下面命令，会生成 normproto 文件。

cntraining zwp.test.exp0.tr

![在这里插入图片描述][20180503151616160]

12、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zwp.inttemp、zwp.pffmtable、zwp.shapetable和zwp.normproto

执行下面命令：

mv normproto zwp.normproto
    mv inttemp zwp.inttemp
    mv pffmtable zwp.pffmtable
    mv shapetable zwp.shapetable

13、合并训练文件：

执行下面命令，会生成zwp.traineddata文件。

combine_tessdata zwp.

![在这里插入图片描述][20180503153427222]  
Log输出中的Offset 1、3、4、5、13这些项不是-1 (其余的不用在意)，表示新的语言包生成成功。

\*\*　将生成的“zwp.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。\*\*

14、测试：

输入下面命令，-l后面为训练生成的语言包。(当然在输入下面的命令之前,将生成的“zwp.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)

tesseract test.PNG test -l zwp

使用新训练的语言包进行文字识别后，会发现之前识别不出来的文字也可以识别出来了。

### 关于合并字库, ###

只需要有tif和box两个文件就可以合并了.上面的步骤执行到第6步差不多都是一样的,唯一不同就是名字,上面说道,名字的第二个单词是字体,也就是zwp.test.exp0.tif 中的test. 这个test(自己定义)可以一样,然后第6步也和上面的一样, 比如zwp.test.exp0.tif  
zwp.test.exp1.tif等  
从7步开始不太一样,首先要生成的是所有box文件的tr文件

tesseract zwp.test.exp0.tif zwp.test.exp0  nobatch box.train
    tesseract zwp.test.exp1.tif zwp.test.exp1  nobatch box.train
    tesseract zwp.test.exp2.tif zwp.test.exp2  nobatch box.train

8.提取字符

unicharset_extractor zwp.test.exp0.box zwp.test.exp2.box zwp.test.exp3.box

9.执行下面命令，执行完之后，会生成 shapetable 和unicharset 两个文件

shapeclustering -F font_properties -U unicharset -O unicharset zwp.test.exp0.tr zwp.test.exp1.tr zwp.test.exp2.tr

10、生成聚字符特征文件：

执行下面命令，会生成 inttemp、pffmtable、shapetable和unicharset四个文件。

mftraining -F font_properties -U unicharset -O unicharset zwp.test.exp0.tr

11、生成字符正常化特征文件：

执行下面命令，会生成 normproto 文件。

cntraining zwp.test.exp0.tr

12.然后将上面生成的五个文件全部改名为 zwp开头的 , 如: zwp.inttemp  
执行下面命令：

mv unicharset zwp.unicharset
    mv normproto zwp.normproto
    mv inttemp zwp.inttemp
    mv pffmtable zwp.pffmtable
    mv shapetable zwp.shapetable

13.合并所有文件,生成一个大的字库文件,

combine_tessdata zwp.

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

[https_github.com_tesseract-ocr_tesseract_wiki_TrainingTesseract-4.00]: https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract-4.00
[http_www.oracle.com_technetwork_java_javase_downloads_jdk8-downloads-2133151.html]: http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html
[https_sourceforge.net_projects_vietocr_files_jTessBoxEditor]: https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
[20180503103813813]: /images/20210726/2de4ad63393646e384b0355eef7e03bf.png
[2018050310382386]: /images/20210726/006ec3666dcf483386fa5c9915fadfcd.png
[20180503105938922]: /images/20210726/7ee17c370f2d463e8ac29ee98ae9f7d1.png
[20180503135721235]: /images/20210726/81c7e1c0717d41da880200ae675ea47f.png
[20180503140402610]: /images/20210726/27b75b0c0cfc4066b4ea114d4b1b6e1d.png
[20180503143537980]: /images/20210726/bafd7ada22f5444fa28e0a624670cc8d.png
[20180503145336334]: /images/20210726/5c4ee610cf5f48318eeb4e1bdbdb7122.png
[20180503145658598]: /images/20210726/0d5b480836b24d6c899f05f3c27b58e9.png
[20180503150539834]: /images/20210726/7309102ef8cd4e9092be8810443fe2f3.png
[20180503151221709]: /images/20210726/f34d4f0fd15b49fe936413badfd521e3.png
[20180503151616160]: /images/20210726/f4d0468c17d34af4aa5751f393b970ce.png
[20180503153427222]: /images/20210726/c38e1d5432754b7abd56ce6dae7b01f2.png