目錄

1. 安裝tesseract ocr引擎和jTessBoxEditor
2. 安裝jTessBoxEditor
3. 開始制作box
4. 準(zhǔn)備好訓(xùn)練的圖片
5. 將圖片轉(zhuǎn)為tif格式的樣本圖片
6. 合并樣本圖片
7. 修改box文件
8. 用腳本生成 或按下面步驟
9. 生成font_properties
10. 生成
11. 訓(xùn)練
12. 生成字符集文件
13. 生成shape文件
14. 生成聚集字符特征文件
15. 生成字符正?；卣魑募?/li>
16. 合成最終文件
17. 改名
    2.合并字庫文件

在上一篇文章tess_two Android圖片文字識別中，使用tess_two完成了簡單的文字識別。
博客地址
但是發(fā)現(xiàn)一個很明顯的問題是，默認(rèn)的識別速度比較慢。識別四個很明顯的字需要將近兩秒。
DemoGitHub可以試試。

我用不了那么多字，然后就按官方和網(wǎng)上的資料自己做了一個識別庫，這個庫只能識別訓(xùn)練過的文字。速度生成的文件應(yīng)該跟訓(xùn)練的字?jǐn)?shù)有關(guān)的，我實驗了幾個字，只有100多k。
看看速度,快了很多。

下面大致記錄一下制作訓(xùn)練識別庫的方法。相對比較簡單。

安裝tesseract ocr引擎和jTessBoxEditor

在官網(wǎng)上可以找到Window和Mac的安裝方法，window的有專門的額客戶端。我的是Mac，所以選的是Homebrew安裝。

Homebrew 是一個包管理器，如果沒裝的話，在終端執(zhí)行ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"就會自動裝好。

單純的安裝tesseract ocr引擎是可以直接用官網(wǎng)的命令brew install tesseract

但是，我后面要用到訓(xùn)練樣本的命令，所以我們要用到的安裝命令是brew install --with-training-tools tesseract,否則后面一些命令會找不到。

如果初次安裝用了第一個，那么可以先用brew uninstall tesseract卸載掉，然后執(zhí)行brew install --with-training-tools tesseract重新安裝。

裝好之后，找到在上篇文章中下載的chi_sim.traineddata。

然后復(fù)制到/usr/local/Cellar/tesseract/3.05.00/share/tessdata中備用。里面已經(jīng)自帶了eng.traineddata。 這一步不是必須的，而且我這樣好想還容易出錯。

安裝jTessBoxEditor

這里提供了很多第三方的訓(xùn)練工具，我選第一個jTessBoxEditor。

jTessBoxEditor是基于java的，多以可以跨平臺，下載下來在Mac和Windows上都能運行。
下載下來是這樣的

jTessBoxEditor

啟動jTessBoxEditor.jar就能打開客戶端。

這里我有一個疑問，別人電腦上都能雙擊這個文件打開，而我的電腦雙擊一閃就沒了，只能用在終端里打開。。

開始制作box

準(zhǔn)備好訓(xùn)練的圖片：

什么格式應(yīng)該沒關(guān)系，反正都要轉(zhuǎn)化成tif格式的。

將圖片轉(zhuǎn)為tif格式的樣本圖片

方法有很多，我用的在線轉(zhuǎn)化。
下載下來的文件是

合并樣本圖片

大家應(yīng)該注意到有一個new文件夾，這個文件夾用來放之后生成的各種文件的，包括最終的traineddata文件。
打開jTessBoxEditor.jar，然后點菜單上的Tool->Merge TIFF

點擊保存后，會在new文件夾中生成合并的sll.normal.exp0.tif文件

然后執(zhí)行命令，
如果前面復(fù)制了chi_sim.traineddata文件的話用下面的

tesseract sll.normal.exp0.tif sll.normal.exp0 -l chi_sim batch.nochop makebox

否則用這個,默認(rèn)的。上面那個有時候會出錯沒我也不知道為什么。

tesseract sll.normal.exp0.tif sll.normal.exp0 -l eng batch.nochop makebox

會在當(dāng)前文件夾下生成sll.normal.exp0.box文件

修改box文件

打開jTessBoxEditor.jar，點擊Box Editor->open
然后選上一步的tif文件，會自動打開綁定的box文件。

在里面可以對他的識別區(qū)域，識別結(jié)果進(jìn)行一些修改，達(dá)到我們正確的識別目的

全部修改完后點擊save。

用腳本生成

下面的步驟可以寫一個腳本自動完成。生成box文件就一行代碼，就不用寫了。
比如，在new文件夾下創(chuàng)建一個gettraineddata.shell,里面寫

#!/bin/sh
read -p "輸入你語言:" lang
echo ${lang}
read -p "輸入你的字體:" font
echo ${font}
echo "所以完整文件名為："
echo ${lang}.${font}.exp0.tif
echo "開始。。。"
echo ${font} 0 0 0 0 0 >font_properties
tesseract  ${lang}.${font}.exp0.tif ${lang}.${font}.exp0  nobatch box.train
unicharset_extractor ${lang}.${font}.exp0.box
shapeclustering -F font_properties -U unicharset ${lang}.${font}.exp0.tr
mftraining -F font_properties -U unicharset -O unicharset ${lang}.${font}.exp0.tr
cntraining ${lang}.${font}.exp0.tr
echo "開始重命名文件"
mv inttemp ${font}.inttemp
mv normproto ${font}.normproto
mv pffmtable ${font}.pffmtable
mv shapetable ${font}.shapetable
mv unicharset ${font}.unicharset
echo "生成最終文件"
combine_tessdata ${font}.
echo "完成"

當(dāng)然里面的東西可以改，要輸入的語言和字體是根據(jù)tif文件的名字來的
比如我的文件是sll.normal.exp0.tif
所以就這樣輸入

如果不出錯，就能看見new里面變成了這樣

生成font_properties

在new文件夾中執(zhí)行下面命令,會生成一個font_properties文件，里面的內(nèi)容是normal 0 0 0 0 0 。

echo normal 0 0 0 0 0 >font_properties

生成

接下來就是一條條命令生成一個個文件了

訓(xùn)練

tesseract sll.normal.exp0.tif sll.normal.exp0 nobatch box.train

生成字符集文件

unicharset_extractor sll.normal.exp0.box

生成shape文件

shapeclustering -F font_properties -U unicharset sll.normal.exp0.tr

生成聚集字符特征文件

mftraining -F font_properties -U unicharset -O unicharset sll.normal.exp0.tr

生成字符正?；卣魑募?/h2>

cntraining sll.normal.exp0.tr

合成最終文件

改名

上面幾步完成后，會看到下面五個文件

然后全部重命名，前面加上normal. 就是字體名，變成

合并字庫文件

combine_tessdata normal.

參考http://www.cnblogs.com/zhongtang/p/5555950.html?utm_source=tuicool&utm_medium=referral
參考http://www.cnblogs.com/wzben/p/5930538.html