Tesseract-OCR样本训练

之前闲着写了一个识别小篆的APP，用到了Tesseract-OCR，由于没有小篆的训练数据，只能自己搞，五六千个字吧，一个个调整，当时花了挺多时间的，哈，记录下训练过程

Tesseract-OCR 仓库地址 ：https://github.com/tesseract-ocr/tesseract

1. 下载安装Tesseract

到这里下载，下载完成自行安装
这时候已经可以使用自带的训练数据进行文本识别了，具体命令为

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

简单点就 tesseract myscan.png out就可以了
好了，今天主要讲怎么训练，关于使用可以查看文档

2. 下载box editor

box editor在训练过程中需要用到，提前下载。下载页面，我下载的是java版本，也就是jTessBoxEditor，具体下载地址是这里，使用时需要有java环境，因为我写Android，环境都是配好的，反正配置起来也不难，搜一下就行，略过。下载回来解压，双击jar能正常打开，基本就没问题了

3. 准备训练内容

要识别什么文字，就准备什么文字。这里我们识别小篆，于是我准备了一份含有6598个已经去除重复汉字的文档，通过设置字体将所有文字转换为方正小篆体，随后调整每行文字个数为10个，文字大小为28号，行间距为1.0倍，方便识别。然后通过系统的打印功能，将整个文档打印成tif格式的图片，部分截图

全部转换为图片后，按照chi.xiaozuan.exp0, chi.xiaozuan.exp1, ……的规律依次命名各个图片。

4. 创建box文件

命名完成后，执行

tesseract chi.xiaozuan.exp0 chi.xiaozuan.exp0 -l chi_sim batch.nochop makebox

命令生成box文件，并且按照相同的命令将剩余的其他图片也生成box文件，命令执行成功后，文件夹内会出现与图片名字相同的box文件。
如果样本多的话，建议写个批处理循环跑。

5. box校正

生成box文件后，一般情况下生成的box并不是全部正确的，因此需要手工调整，使其正确切分文字，此时打开前面下载的jTessBoxEditor，选Box Editor，打开图片挨个调整，校正每个文字，校正完成后如下图：

校正需要使每个小篆文字刚好被方框框住，并且在左侧对应的表格内填入正确的简体字。
merge，split，insert，delete分别为合并，分割，插入和删除，另外选择Box View可以使用一些快捷键，具体看图：

（大部分时间都花在了这个步骤，基本每个字都要调整，搞吐血了都快）

6. 训练

使用修改正确的box文件对Tesseract进行训练，执行以下命令：

tesseract.exe chi.xiaozuan.exp0.tif chi.xiaozuan.exp0 nobatch box.train

训练完成后，系统将会生成同名的tr文件
同样，如果样本多，建议跑循环

7. 生成Character集合

训练完成后需要生成Character集合，执行以下命令：

unicharset_extractor.exe chi.xiaozuan.exp0 chi.xiaozuan.exp1 chi.xiaozuan.exp2……

需要将所有图片合并成一个Character集合，生成一个名为unicharset的文件

8. 创建字体特征文件

在训练目录下创建一个名为font_properties的字体特征文件，且该文件需要不含BOM头，文件内容为xiaozuan 0 0 0 0 0

9. 创建剩余所需文件

执行以下两条命令：

mftraining.exe -F font_properties -U unicharset -O chi.xiaozuan.exp0.tr chi.xiaozuan.exp1.tr……

cntraining.exe chi.xiaozuan.exp0.tr chi.xiaozuan.exp1.tr……

执行完成后会生成inttemp、pffmtable、normproto、shapetable四个文件，以及一个叫chi.unicharset的文件，手动修改前四个文件的名称为chi.nttemp、chi.pffmtable、chi.normproto、chi.shapetable

10. 合并文件

最后合并以上文件生成训练好的可以直接使用的数据文件，执行以下命令：

combine_tessdata chi

命令执行完成后会生成chi.traineddata，这就是我们最终需要的数据，可以直接丢在Tesseract的数据文件夹中使用。

11. 附上我的批处理脚本，路径次数自行修改，也可以使用相对路径

11.1. makebox

echo run make box
set time=11
for /l %%i in (0,1,%time%) do (
	tesseract.exe E:\svn\tesseract\testData\chi.xiaozuan.exp%%i.tif E:\svn\tesseract\testData\chi.xiaozuan.exp%%i -l chi_sim batch.nochop makebox 
)
pause

11.2. train

echo run train
set time=11
for /l %%i in (0,1,%time%) do (
	tesseract.exe E:\svn\tesseract\testData\chi.xiaozuan.exp%%i.tif E:\svn\tesseract\testData\chi.xiaozuan.exp%%i  -l chi_sim nobatch box.train
)
pause

11.3. unicharset

echo run unicharset_extractor
setlocal EnableDelayedExpansion
set time=11
for /l %%i in (0,1,%time%) do (
	set str=!str!E:\svn\tesseract\testData\chi.xiaozuan.exp%%i.box 
)
echo !str!
unicharset_extractor.exe !str!

11.4. mftraining

echo run mftraining
setlocal EnableDelayedExpansion
set time=11
for /l %%i in (0,1,%time%) do (
	set str=!str!E:\svn\tesseract\testData\chi.xiaozuan.exp%%i.tr 
)
echo !str!
mftraining.exe -F font_properties -U unicharset -O chi.unicharset !str!

11.5. cntraining

echo run cntraining
setlocal EnableDelayedExpansion
set time=11
for /l %%i in (0,1,%time%) do (
	set str=!str!E:\svn\tesseract\testData\chi.xiaozuan.exp%%i.tr 
)
echo !str!
cntraining.exe !str!