tesseract-ocr 字库训练（提高识别率进阶版）

github字库地址：https://github.com/tesseract-ocr/tessdata

一、tesseract-ocr字库训练

1、配置 jdk 环境变量

步骤（略）

2、安装 tesseract-ocr 并配置环境变量

下载地址：https://digi.bib.uni-mannheim.de/tesseract/

配置环境变量：系统变量path添加 C:\Program Files (x86)\Tesseract-OCR; D:\Tesseract-OCR(对应自己的tesseract安装目录)

3、下载jTessBoxEditor2.0工具

下载地址：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

下载完成后，解压缩并双击 jTessBoxEditor.jar 即可启动

4、下载Tess4J-3.4.8

地址： https://sourceforge.net/projects/tess4j/files/tess4j/

解压即可得到 tessdata训练库

5、准备样本图片

6、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：

（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命名规则：[lang].[fontname].exp[num].tif

• lang = 语言
• fontname = 字体
• num = 自定义数字

7、使用tesseract生成.box文件：

在生成的** mjorcen.normal.exp0.tif **文件所在目录下打开命令行

执行如下命令 ： tesseract mjorcen.normal.exp0.tif mjorcen.normal.exp0 batch.nochop makebox

8、使用jTessBoxEditor矫正.box文件的错误：

打开 jTessBoxEditor ，点击Box Editor ->Open ，打开 mjorcen.normal.exp0.tif，会自动关联到“mjorcen.normal.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。

修改文字是乱码

👉 解决方法： jtessboxeditor的setting ---> Font 里改字体为宋体，regular就可以了。

修改文字必须是白底黑字，要不然训练时会出现错误

9.创建 一个 font_properties文件（该文件无后缀名）

• 手工新建一个名为font_properties的文本文件

• 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。
• 这里内容中的“test”必须与生成的 .box 文件中的fontname = 字体 ，一致。

10、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。

执行如下命令： tesseract mjorcen.normal.exp0.tif mjorcen.normal.exp0 nobatch box.train

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。

执行命令： unicharset_extractor mjorcen.normal.exp0.box

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。

执行命令：

shapeclustering -F font_properties -U unicharset -O zwp.unicharset mjorcen.normal.exp0.tr

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。

执行命令： mftraining -F font_properties -U unicharset -O zwp.unicharset mjorcen.normal.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。

执行命令： cntraining mjorcen.normal.exp0.tr

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mjorcen.inttemp、mjorcen.pffmtable、mjorcen.shapetable和mjorcen.normproto

执行下面命令：

rename normproto mjorcen.normproto

rename inttemp mjorcen.inttemp

rename pffmtable mjorcen.pffmtable

rename shapetable mjorcen.shapetable

13、合并训练文件：

执行下面命令，会生成zwp.traineddata文件。

执行命令： combine_tessdata mjorcen.

Log输出中的Offset 1、3、4、5、13这些项不是-1，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。

二、Java代码测试

1.pom.xml文件添加maven 依赖

<dependency>

<groupId>net.java.dev.jna</groupId>

<artifactId>jna</artifactId>

<version>4.1.0</version>

</dependency>

<dependency>

<groupId>net.sourceforge.tess4j</groupId>

<artifactId>tess4j</artifactId>

<version>3.4.0</version>

<exclusions>

<exclusion>

<groupId>com.sun.jna</groupId>

<artifactId>jna</artifactId>

</exclusion>

</exclusions>

</dependency>

2.测试代码

public void testOCR()throws Exception {

        //图片路径

       File imageFile =new File("D:\\xx.png");

        //训练库的路径（tessdata）

       instance.setDatapath("C:\\tessdata");

        //语言库（mjorcen）
       instance.setLanguage("mjorcen");

        // 文字识别
       String result =instance.doOCR(imageFile);
    
        // 
       System.out.println(result);

}

3.输出结果