Tesseract-OCR的Training简明教程

Posted 2020-08-20 bladestone

引言： Tesseract虽然功能强大，但是依然由于图片本身诸多的干扰因素和识别能力，存在诸多的识别率不高和信息不准确的问题，Training的过程则可以提升起识别的准确率， 本文将介绍如何train tesseract-ocr。

1.  关于Training

   Tesseract虽然很强，且可以处理各类的文字转换，但是我们的目标图片并非如我们所期没有各类的干扰因素；在实际的情况下，各类的干扰因素将导致我们的识别准确率和效果大幅度下降；针对这类问题，Tesseract提供了Training的各类工具和过程，以期提升其识别率和正确率，提供可定制化的灵活性。

•  如何来提升输出的质量（Improve the quality of output),   https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality
•  Traing的介绍   https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract#introduction
•  Testdata    https://github.com/tesseract-ocr/tessdata
•  Training Tesseract https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract-3.00%E2%80%933.02
  

2.   jTessEditorBox

   jTessEditorBox是第三方提供了一个关于自定义用户识别结合的工具，非常的好用强大，其本身是基于Java开发而成的，需要依赖JRE的运行环境，推荐使用JDK8 u40+以上版本，具体信息可以参考其官网信息。

   这里做一个小说明： 直接从其官网下载非常慢，且非常容易断线，故直接使用了baidu的离线下载，秒级下载成功；然后绕道从百度云盘上下载。

3.  安装好tesseract

    这里假定已经安装好了tesseract，如果安装有问题，可以参考我之前写的一篇文字，关于如何安装tesseract的简明教程。

4.  创建用户自定义的原始图片文件

     这里笔者自行使用window自带的工具，创建以下4个图片，分别写了简单的数字：

    

 5.  运行jTessEditorbox工具，merge图片

      点击打开Tool菜单，点击merge，选择多个文件，另存在一个合成之后的文件：

    

   在生成另外一个merged文件之后，进行编辑和错误信息的纠偏：

   

   另存文件或者保存文件之后，保存到当下目录。

 6.. 运行tesseract命令，生成box文件

   >>>>  tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox

E:\\testdir>tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox
Tesseract Open Source OCR Engine v3.05.00dev with Leptonica
Page 1
Page 2
Page 3
Page 4

  结果会生成一个名称为num.font.exp0的文件，在命令运行的当下目录。BOX文件为Tessercat识别出的文字和其坐标。

   注：Make Box File 文件名有一定的格式，不能随便乱取名字，命令格式为：

  tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox 

   其中lang为语言名称，fontname为字体名称，num为序号，可以随便定义。

 7. 定义字体特征文件。Tesseract-OCR3.01以上的版本在训练之前需要创建一个名称为font_properties的字体特征文件。font_properties不含有BOM头，文件内容格式如下：
   <fontname> <italic> <bold> <fixed> <serif> <fraktur>
   其中fontname为字体名称，必须与[lang].[fontname].exp[num].box中的名称保持一致。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值为1或0，表示字体是否具有这些属性。
    这里在样本图片所在目录下创建一个名称为font_properties的文件，用记事本打开，输入以下下内容：

font 0 0 0 0 0

  这里全取值为0，表示字体不是粗体、斜体等。。

8. 生成语言文件。在样本图片所在目录下创建一个批处理文件 num_batch.bat，输入如下内容:

rem 执行改批处理前先要目录下创建font_properties文件

echo Run Tesseract for Training..
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train

echo Compute the Character Set..
unicharset_extractor.exe num.font.exp0.box
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr

echo Clustering..
cntraining.exe num.font.exp0.tr

echo Rename Files..
rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable 

echo Create Tessdata..
combine_tessdata.exe num.

然后运行这个bat文件，运行结果信息如下：

E:\\testdir>num_batch.bat

E:\\testdir>rem 执行改批处理前先要目录下创建font_properties文件

E:\\testdir>echo Run Tesseract for Training..
Run Tesseract for Training..

E:\\testdir>tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train
Tesseract Open Source OCR Engine v3.05.00dev with Leptonica
Page 1
APPLY_BOXES:
   Boxes read from boxfile:       8
   Found 8 good blobs.
Generated training data for 2 words
Page 2
APPLY_BOXES:
   Boxes read from boxfile:       8
   Found 8 good blobs.
Generated training data for 2 words
Page 3
APPLY_BOXES:
   Boxes read from boxfile:       8
   Found 8 good blobs.
Generated training data for 2 words
Page 4
APPLY_BOXES:
   Boxes read from boxfile:       8
   Found 8 good blobs.
Generated training data for 1 words

E:\\testdir>echo Compute the Character Set..
Compute the Character Set..

E:\\testdir>unicharset_extractor.exe num.font.exp0.box
Extracting unicharset from num.font.exp0.box
Wrote unicharset file ./unicharset.

E:\\testdir>mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr
Warning: No shape table file present: shapetable
Reading num.font.exp0.tr ...
Flat shape table summary: Number of shapes = 8 max unichars = 1 number with multiple unich
Warning: no protos/configs for Joined in CreateIntTemplates()
Warning: no protos/configs for |Broken|0|1 in CreateIntTemplates()
Done!

E:\\testdir>echo Clustering..
Clustering..

E:\\testdir>cntraining.exe num.font.exp0.tr
Reading num.font.exp0.tr ...
Clustering ...

Writing normproto ...

E:\\testdir>echo Rename Files..
Rename Files..

E:\\testdir>rename normproto num.normproto

E:\\testdir>rename inttemp num.inttemp

E:\\testdir>rename pffmtable num.pffmtable

E:\\testdir>rename shapetable num.shapetable

E:\\testdir>echo Create Tessdata..
Create Tessdata..

E:\\testdir>combine_tessdata.exe num.
Combining tessdata files
TessdataManager combined tesseract data files.
Offset for type  0 (num.config                ) is -1
Offset for type  1 (num.unicharset            ) is 140
Offset for type  2 (num.unicharambigs         ) is -1
Offset for type  3 (num.inttemp               ) is 710
Offset for type  4 (num.pffmtable             ) is 130474
Offset for type  5 (num.normproto             ) is 130573
Offset for type  6 (num.punc-dawg             ) is -1
Offset for type  7 (num.word-dawg             ) is -1
Offset for type  8 (num.number-dawg           ) is -1
Offset for type  9 (num.freq-dawg             ) is -1
Offset for type 10 (num.fixed-length-dawgs    ) is -1
Offset for type 11 (num.cube-unicharset       ) is -1
Offset for type 12 (num.cube-word-dawg        ) is -1
Offset for type 13 (num.shapetable            ) is 131715
Offset for type 14 (num.bigram-dawg           ) is -1
Offset for type 15 (num.unambig-dawg          ) is -1
Offset for type 16 (num.params-model          ) is -1
Output num.traineddata created successfully.

需确认打印结果中的Offset 1、3、4、5、13这些项不是-1。这样，一个新的语言文件就生成了。
num.traineddata便是最终生成的语言文件，将生成的num.traineddata拷贝到Tesseract-OCR-->tessdata目录下。可以用它来进行字符识别了。

9. 基于新的字符集合，进行字符识别验证

验证新的测试集合

   创建新的测试图片，我们还是使用输入数字，重新做了一个图片：

  

    打开命令行，我们进行OCR转换：

E:\\testdir>tesseract newtestnum.png newresulttest -l num
Tesseract Open Source OCR Engine v3.05.00dev with Leptonica
Warning in fopenReadFromMemory: work-around: writing to a temp file

E:\\testdir>

  注意： 这里我们使用了一个新的语言类型 num，就是我们之前进行的用户自定义的识别字符集合。

  我们查看一下我们的识别结果集合：

12357 684

  效果还是非常棒的。

FAQ

  1.  在windows下安装成功之后，进行tesseract的操作，碰到如下错误信息：

E:\\testdir>tesseract ttest1.png test1 -l eng
Error opening data file \\Program Files (x86)\\Tesseract-OCR\\tessdata/eng.traineddata
Please make sure the TESSDATA_PREFIX environment variable is set to the parent directory of your "tessdata" directory.
Failed loading language 'eng'
Tesseract couldn't load any languages!
Could not initialize tesseract.

   错误信息的关键词是tesseract_prefix的环境变量设置。

    解决办法：  找到testData所在的目录，默认情况下是在tesseract安装的目录，在环境变量中设置TESSDATA_PREFIX的环境变量为testdata所在的目录即可。 重新运行命令即可正常使用。

 

参考资料

•  JTessBoxEditor   http://vietocr.sourceforge.net/training.html    Tesseract 训练工具
•  Tesseract Guide  https://github.com/tesseract-ocr/tesseract/wiki   使用指南
•  Train Tesseract  http://blog.csdn.net/yasi_xi/article/details/8763385   训练指南