训练手写数字的Tesseract：mftraining步骤需要永远

Posted 2021-05-04

我一直在努力训练Tesseract 3.04以识别手写数字。该方法首先在以下链接中提供：https://arxiv.org/abs/1003.5897。我已经使用Training Tesseract 3.04 wiki页面和本教程：http://www.resolveradiologic.com/blog/2013/01/15/training-tesseract/执行了必要的步骤

我从我扫描的页面创建了一个单独的tiff图像，其中包括我的手写数字。我能够创建一个盒子文件并使用特定的第三方GUI编辑该盒子文件（tesseract4java）。我没有明显的问题，我来到了mftraining步骤。

但在给出命令之后：mftraining -F font_properties -U unicharset -O ali.unicharset ali.test_font.exp0.tr

训练步骤需要永远运行，经过一段时间我的笔记本电脑才会崩溃。由于我只训练了10个字符，每个字符最多15个实例，我假设这种行为正在发生，因为我在上一步中犯了错误。以下是我对可能出错的想法：

1. 我创建了一个font_properties文件，并在其中添加了一个具有所需格式的文本文件。但由于我也在同时创建一个新字体，也许tesseract无法识别新字体或认为我在单个tiff图像中混合字体。那么我应该在我的字体属性文件中添加新的字体名称吗？但是手写的数字究竟应该用什么字体？
2. 训练Tesseract页面指出我应该将我的训练文本添加为​​UTF-8文本文件，但我还没有完成这一步。我没有培训文本，但没有图像，我不知道如何将数字转换为UTF-8文本文件以及放置该文件的位置。这会导致我遇到的问题吗？
3. 也许我创建的文件位于错误的目录中。目前我附加的所有文件（+ unicharset和font_properties）都在tesseract.304目录中。我应该将它们添加到tessdata还是在tesseract目录中创建一个新文件？

任何帮助回答这些问题或任何其他建议，为什么我的mftraining步骤将永远采取，将非常感谢。非常感谢你。

答案

好吧我认为问题是我没有预处理我的输入图像.tiff

在我将tiff图像转换为8bpp（每像素位数）并转换为300dpi密度后，在几秒钟后完成了mftraining步骤。我使用以下命令:(来自imagemagick）

convert -density 300 -depth 8 input.pdf output.tiff

此外，我认为将图像更改为灰度有助于。

编辑：mftraining命令中的font_properties文件也应命名为lang.font_properties