“添加”新字体到 Tesseract eng.traineddata

Posted 2023-04-17

【中文标题】“添加”新字体到 Tesseract eng.traineddata

【英文标题】："Adding" new fonts to Tesseract eng.traineddata

【发布时间】：2013-04-26 07:50:36

【问题描述】：

据我所知，Tesseract 3.x 带有 6 种英文（如果我错了，请纠正我）字体。我需要为更多 5 种字体训练 Tesseract。我只需要大写字母和数字（没有特殊字符或符号）。

我遵循了各种流程，例如： Adding New Fonts to Tesseract 3 OCR Engine

还使用工具来自动化流程，例如 Serak Tesseract Trainer for Tesseract 3.02

为了生成盒子文件，我使用了QT Box Editor

使用上述工具后，我得到eng.traineddata 文件。所有教程都告诉我将此eng.traineddata 文件添加到Tesseract-OCR\tessdata 文件夹，但这样做会替换原来的eng.traineddata 文件。这样做之后，我会丢失 Tesseract 3.x 附带的默认字体吗？

如何添加新字体？我还不清楚。我希望有人可以在这里帮助我。谢谢。

【参考方案1】：

应使用不同的名称，例如 eng1.traineddata。这样您就可以通过指定语言选项-l eng+eng1 将新数据与原始数据一起使用。

【讨论】：

在哪里可以指定语言选项 -l eng+eng1 ？

这听起来可能太懒惰了，但是有没有办法提供一个字体文件作为输入（比如网站）并提供一个训练有素的tessdata 作为输出？

@tipycalFlow jTessBoxEditor 有一个 TIFF/Box 生成器。您可以提供一个字体文件并获得一个包含正确值的框。使用Serak Tesseract Trainer，您可以完成剩下的工作。

【参考方案2】：

如果您有不同字体的新训练数据，我认为您的新字体没有字典校正。

要添加新的训练数据，您可以这样做（我在这里使用 php 代码）

//  as you new trained data, it must be 3 letter prefix 
// what ever 3 letter you want
$languange = "eng+deu";
$settingLanguage = $tesseract -> setLanguage($language) ; 

通过查看tesseract.php函数setLanguage()，可以通过该函数设置语言。