表格识别2-用jTessBoxEditor训练tesseract模型

本文主要是介绍表格识别2-用jTessBoxEditor训练tesseract模型，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

导语：

上文我们讲到了怎么使用tesseract，本文讲一下怎么对手写的数字进行训练，看完之后可以举一反三对
其他语言比如中文或者其他文字甚至是符号进行自己的训练，方式方法都是通用的。

前提条件：

1.安装java环境（因为jTessBoxEditor使用java的写一个图形化的工具，所以需要java的运行环境，不会的请自行谷歌啦）
2.安装好tesseract（sourceforge下载地址）
3.识别不准的图片（这里我先手写了一张12345的图片，识别出来的是1365，默认使用的eng语言库）

如下：

结果：

tesseract 12345.png stdout
1365

训练步骤：

1.打开jTessBoxEditor
在命令行输入

java -jar jTessBoxEditor

就会弹出一个交互式的窗口

2.选择Tools->Merge TIFF

3.然后选择一张图片，这里我创建了一个train的目录用来放图片和接下来的各种文件
文件名命名格式是：[lang].[fontname].exp[num].tif
lang-语言
fontname-字体
num-自定义的数字

这里因为是识别的数字，所以我取的是num.test.exp0.tif。
后面的步骤会反复用到这个名字。

完成后jTessBoxEditor工具会出现下面的弹框，并且在当前train目录会生成num.test.exp0.tif的文件。

4.生成box文件，box就是把每个识别出来的文字框起来

输入命令：
tesseract num.test.exp0.tif num.test.exp0  --psm 3 batch.nochop makebox

运行成功会生成一个num.test.exp0.box的文件

5.接下来训练刚才的图片（其实就是手动把错误的识别结果改成正确的）
打开jTessBoxEdtor->Box Editor->Open，打开之前的num.test.exp0.tif，这里会使用到同目录下的num.test.exp0.box，所以要都放在同一个目录下。
把没有识别出来的2，在Char栏目填上，把识别错误的4改为6。修改完成后记得按回车然后Save保存起来。

6.生成font_properties文件
可以手创建一个空文件然后填上test 0 0 0 0 0
说明：

test 0 0 0 0 0
【语法】：<fontname> <italic> <bold> <fixed> <serif> <fraktur>
【语法】：fontname为字体名称，italic为斜体，bold为黑体字，
fixed为默认字体，serif为衬线字体，fraktur德文黑字体，
1和0代表有和无，精细区分时可使用

也可以使用命令：

echo test 0 0 0 0 0 > font_properties

记住字体名称必须和之前的num.test.exp0中的test保持一致。
7.生成训练文件

tesseract num.test.exp0.tif num.test.exp0 nobatch box.train

8.生成字符集

unicharset_extractor zwp.test.exp0.box

执行成功会生成unicharset的文件

这里有一点要注意，如果你安装的tesseract是没有带训练工具的话，你会被提示

zsh: command not found: unicharset_extractor

可以参考另一篇blog：zsh: command not found: unicharset_extractor

9.生成聚字符特征文件

输入命令：
mftraining -F font_properties -U unicharset -O num.unicharset num.test.exp0.tr

执行成功后会生成inttemp、pffmtable、shapetable和num.unicharset四个文件

10.生成字符正常化特征文件

cntraining num.test.exp0.tr

执行成功后会生成normproto的文件

11.重命名文件

mv normproto num.normproto
mv inttemp num.inttemp
mv pffmtable num.pffmtable
mv shapetable num.shapetable

12.合并训练文件

combine_tessdata num.

会生成一个num.traineddata的文件，看到这里是不是笑开了花？没错这个就是最终的训练集了，把这个放到tesseract的tessdata目录之下。
可能是/usr/local/Cellar/tesseract/4.1.1/share/tessdata也可能是/usr/local/share/tessdata

13.最终结果：

总结：

1.要想完成这个流程要使用安装了训练工具的tesseract，tesseract现在好像不支持带训练工具的安装参数了，安装会报下面的错误（本人使用的是tesseract4.1.1版本） Error: invalid option: --with-training-tools
，所以安装训练工具需要自己编译安装，可以参考博客
2.其实整个步骤中绝大部分命令可以使用脚本帮忙完成掉，只有jTessBoxEditor标注矫正结果需要使用到界面，如果可以把jTessBoxEditor标注结果做成一个工具，矫正完剩下的命令都自动执行就可以批量的训练了。