新字体的Tesseract训练

Question

我对Tesseract OCR还很陌生，在我的脚本中使用它之后，我注意到对于我试图从中提取文本的图像，它有一个相对较大的错误率。我遇到了Tesseract训练，它应该能够降低你所使用的特定字体的错误率。我偶然发现了一个网站(http://ocr7.com/)，这是一个由Anyline提供支持的工具，可以为你指定的字体做所有的训练。所以我收到了一个.traineddata文件，但我不太确定该如何处理它。谁能解释一下我必须对这个文件做些什么才能使它工作？或者我应该学习如何通过手动方式进行Tesseract训练，根据Anyline网站的说法，这可能需要一天的工作。提前谢谢。

Answer 1

对于任何想要阅读这篇文章的人来说，你可以使用这个工具来获得你想要的任何字体的训练数据文件。之后，移动tessdata文件夹中的traineddata数据文件。在Python或任何其他语言中使用带有新字体的tesseract (我想？)在image_to_string函数中将lang = "Font"作为第二个参数。它显着提高了准确性，但当然也会出错。或者你可以通过这个指南来学习如何手动训练一种新字体的tesseract：http://pretius.com/how-to-prepare-training-files-for-tesseract-ocr-and-improve-characters-recognition/。

Answer 2

我制作了一个视频教程，解释了最新版本的Tesseract ( LSTM模型)的过程，希望它能有所帮助。https://www.youtube.com/watch?v=TpD76k2HYms

Answer 3

如果你想用新字体训练tesseract，那么就用你想要的字体生成.traineddata文件。要生成.traineddata，首先需要.tiff文件和.box文件。您可以使用jTessBoxEditor创建这些文件。适用于jBossTextEditor的教程是here。在制作.tiff文件时，你可以设置你训练测试集所使用的字体。您可以使用jTessBoxEditor生成.traineddata，也可以使用serak-tesseract-trainer。我已经使用了这两种方法，我想说的是，对于生成tiff和box文件，jTessBoxEditor是很好的选择，而对于训练tesseract，则使用serak。