例如說 我只想要辨識數字的話 那用tesseract-ocr 提供的eng.traineddata來進行辨識的話
正確率並不高 此時就可以用訓練功能來訓練出具有高正確度辨識數字的lang.traineddata
方法請參考下面這篇轉錄文章
最近在研究車牌辨識
找上了歷史相當久遠的Tesseract
Tesseract屬於開放原始碼，並在Google code中維護。
Tesseract的討論相當多，但是對於訓練(traning)的著墨是少之又少
幾乎千篇一律是Tesseract 2.0的翻譯文(直接從官網翻譯出來的文章)
所以本篇應該是全世界第一篇繁體中文Tesseract 3.0 training教學
詳細內容還是得參考官方網站：Traning Tesseract 3.0
以下是我整理的訓練步驟：
一. 先到Tesseract下載頁面下載兩個檔案：
tesseract-ocr-setup-3.00.exe
tesseract-3.00.1.exe.zip
二. 下載完後安裝 tesseract-ocr-setup-3.00.exe
然後再將tesseract-3.00.1.exe.zip解壓縮出來的執行檔tesseract-3.00.1.exe
覆蓋在剛剛的安裝目錄(Tesseract-OCR)裡。
三. 將所收集到的某字體的字母二值化後做成一張 .tif 的圖檔。
(小畫家即可製作)
如下圖所示：
eng.segoe.exp1.tif
將此圖檔(eng.segoe.exp1.tif)放在安裝目錄(Tesseract-OCR)下。
四. 以系統管理員身分執行命令提示字元
到剛剛的安裝目錄底下(C:\Program Files (x86)\Tesseract-OCR)，
執行下面的command line：
tesseract eng.timesitalic.exp0.tif eng.timesitalic.exp0 batch.nochop makebox
紅色部分是需要替換的文字，例子如下：
tesseract eng.segoe.exp1.tif eng.segoe.exp1 batch.nochop makebox
此時會產生一個.box的檔案(eng.segoe.exp1.box)。
五. 利用記事本打開.box檔(eng.segoe.exp1.box)，
去修正裡面有錯的部分，也可利用一些軟體來修正。(詳情請參考Traning Tesseract 3.0)
六. 接著執行：
tesseract lang.timesitalic.exp0.tif lang.timesitalic.exp0 nobatch box.train
紅色一樣是需要替換的部分，例子如下：
tesseract eng.segoe.exp1.tif eng.segoe.exp1 nobatch box.train
此時會產生三個檔案：
.tr檔(eng.segoe.exp1.tr) .txt檔(eng.segoe.exp1.txt) .log檔(tesseract.log)
可以看一下log檔是否有錯誤發生。
七. 接著執行：
unicharset_extractor lang.timesitalic.exp0.box
紅色一樣是需要替換的部分，例子如下：
unicharset_extractor eng.segoe.exp1.box
此時會跑出一個檔案：unicharset。
八. 接著在安裝目錄(Tesseract-OCR)下新增一個純文字檔，
內容打上：
本篇的例子如下：segoe 0 0 0 0 0
並另存新檔，存檔類型改成所有檔案，檔案名稱為：font_properties。
這是用來做此字型的訓練內容(也就是.tif圖檔)的屬性設定，
意思就是：某字體 是否斜體 是否粗體 是否固定 是否是櫬線字體 是否是fraktur字體。
(屬性就是用0和1去控制。)
九. 接著執行：
mftraining -F font_properties -U unicharset lang.timesitalic.exp0.tr
(font_properties就是剛剛新增出來的純文字)
紅色一樣是需要替換的部分，例子如下：
mftraining -F font_properties -U unicharset eng.segoe.exp1.tr
此時會跑出四個檔案：inttemp, mfunicharset, Microfeat, pffmtable。
十. 接著執行：
mftraining -F font_properties -U unicharset -O lang.unicharset lang.timesitalic.exp0.tr
紅色一樣是需要替換的部分，例子如下：
mftraining -F font_properties -U unicharset -O eng.unicharset eng.segoe.exp1.tr
此時會多出一個檔案：.unicharset(eng.unicharset)。
十一. 接著執行：
cntraining lang.timesitalic.exp0.tr
紅色一樣是需要替換的部分，例子如下：
cntraining eng.segoe.exp1.tr
此時會多出一個檔案：normproto。
十二. (最容易忽略的步驟)
接著把剛剛產生的五個檔案：
Microfeat, normproto, pffmtable, mfunicharset, inttemp
重新命名，在前面加上：lang. ，替換例子如下：
eng.Microfeat, eng.normproto, eng.pffmtable, eng.mfunicharset, eng.inttemp
十三. 接著執行：
combine_tessdata lang.
紅色一樣是需要替換的部分，例子如下：
combine_tessdata eng.
畫面會出現類似的文字：
Combining tessdata files
TessdataManager combined tesseract data files.
Offset for type 0 is -1
Offset for type 1 is 84
Offset for type 2 is -1
Offset for type 3 is 1453
Offset for type 4 is 698348
Offset for type 5 is 698912
Offset for type 6 is -1
Offset for type 7 is -1
Offset for type 8 is -1
Offset for type 9 is -1
依照上述的步驟執行的話，至少這四行紅色部分不能為-1，否則就是失敗!
此時會跑出最後一個檔案：.traineddata(eng.traineddata)
也就是最後的訓練文檔。
十四. 最後進行測試前，
需要先把產生出來的.traineddata(eng.traineddata)檔，
複製到執行目錄下的tessdata資料夾(記得先備份原本在裡面的eng.traineddata)，
然後執行：
tesseract image.tif output -l lang
紅色一樣是需要替換的部分，我們拿之前的訓練圖檔來測試，例子如下：
tesseract eng.segoe.exp1.tif output -l eng
會產生一個output.txt
裡面就是Tesseract OCR 3.0透過你的訓練文檔來辨識出來的結果。
正確率並不高 此時就可以用訓練功能來訓練出具有高正確度辨識數字的lang.traineddata
方法請參考下面這篇轉錄文章
最近在研究車牌辨識
找上了歷史相當久遠的Tesseract
Tesseract屬於開放原始碼，並在Google code中維護。
Tesseract的討論相當多，但是對於訓練(traning)的著墨是少之又少
幾乎千篇一律是Tesseract 2.0的翻譯文(直接從官網翻譯出來的文章)
所以本篇應該是
詳細內容還是得參考官方網站：Traning Tesseract 3.0
以下是我整理的訓練步驟：
一. 先到Tesseract下載頁面下載兩個檔案：
tesseract-ocr-setup-3.00.exe
tesseract-3.00.1.exe.zip
二. 下載完後安裝 tesseract-ocr-setup-3.00.exe
然後再將tesseract-3.00.1.exe.zip解壓縮出來的執行檔tesseract-3.00.1.exe
覆蓋在剛剛的安裝目錄(Tesseract-OCR)裡。
三. 將所收集到的某字體的字母二值化後做成一張 .tif 的圖檔。
(小畫家即可製作)
如下圖所示：
eng.segoe.exp1.tif
將此圖檔(eng.segoe.exp1.tif)放在安裝目錄(Tesseract-OCR)下。
四. 以系統管理員身分執行命令提示字元
到剛剛的安裝目錄底下(C:\Program Files (x86)\Tesseract-OCR)，
執行下面的command line：
tesseract eng.timesitalic.exp0.tif eng.timesitalic.exp0 batch.nochop makebox
紅色部分是需要替換的文字，例子如下：
tesseract eng.segoe.exp1.tif eng.segoe.exp1 batch.nochop makebox
此時會產生一個.box的檔案(eng.segoe.exp1.box)。
五. 利用記事本打開.box檔(eng.segoe.exp1.box)，
去修正裡面有錯的部分，也可利用一些軟體來修正。(詳情請參考Traning Tesseract 3.0)
六. 接著執行：
tesseract lang.timesitalic.exp0.tif lang.timesitalic.exp0 nobatch box.train
紅色一樣是需要替換的部分，例子如下：
tesseract eng.segoe.exp1.tif eng.segoe.exp1 nobatch box.train
此時會產生三個檔案：
.tr檔(eng.segoe.exp1.tr) .txt檔(eng.segoe.exp1.txt) .log檔(tesseract.log)
可以看一下log檔是否有錯誤發生。
七. 接著執行：
unicharset_extractor lang.timesitalic.exp0.box
紅色一樣是需要替換的部分，例子如下：
unicharset_extractor eng.segoe.exp1.box
此時會跑出一個檔案：unicharset。
八. 接著在安裝目錄(Tesseract-OCR)下新增一個純文字檔，
內容打上：
本篇的例子如下：segoe 0 0 0 0 0
並另存新檔，存檔類型改成所有檔案，檔案名稱為：font_properties。
這是用來做此字型的訓練內容(也就是.tif圖檔)的屬性設定，
意思就是：某字體 是否斜體 是否粗體 是否固定 是否是櫬線字體 是否是fraktur字體。
(屬性就是用0和1去控制。)
九. 接著執行：
mftraining -F font_properties -U unicharset lang.timesitalic.exp0.tr
(font_properties就是剛剛新增出來的純文字)
紅色一樣是需要替換的部分，例子如下：
mftraining -F font_properties -U unicharset eng.segoe.exp1.tr
此時會跑出四個檔案：inttemp, mfunicharset, Microfeat, pffmtable。
十. 接著執行：
mftraining -F font_properties -U unicharset -O lang.unicharset lang.timesitalic.exp0.tr
紅色一樣是需要替換的部分，例子如下：
mftraining -F font_properties -U unicharset -O eng.unicharset eng.segoe.exp1.tr
此時會多出一個檔案：.unicharset(eng.unicharset)。
十一. 接著執行：
cntraining lang.timesitalic.exp0.tr
紅色一樣是需要替換的部分，例子如下：
cntraining eng.segoe.exp1.tr
此時會多出一個檔案：normproto。
十二. (最容易忽略的步驟)
接著把剛剛產生的五個檔案：
Microfeat, normproto, pffmtable, mfunicharset, inttemp
重新命名，在前面加上：lang. ，替換例子如下：
eng.Microfeat, eng.normproto, eng.pffmtable, eng.mfunicharset, eng.inttemp
十三. 接著執行：
combine_tessdata lang.
紅色一樣是需要替換的部分，例子如下：
combine_tessdata eng.
畫面會出現類似的文字：
Combining tessdata files
TessdataManager combined tesseract data files.
Offset for type 0 is -1
Offset for type 1 is 84
Offset for type 2 is -1
Offset for type 3 is 1453
Offset for type 4 is 698348
Offset for type 5 is 698912
Offset for type 6 is -1
Offset for type 7 is -1
Offset for type 8 is -1
Offset for type 9 is -1
依照上述的步驟執行的話，至少這四行紅色部分不能為-1，否則就是失敗!
此時會跑出最後一個檔案：.traineddata(eng.traineddata)
也就是最後的訓練文檔。
十四. 最後進行測試前，
需要先把產生出來的.traineddata(eng.traineddata)檔，
複製到執行目錄下的tessdata資料夾(記得先備份原本在裡面的eng.traineddata)，
然後執行：
tesseract image.tif output -l lang
紅色一樣是需要替換的部分，我們拿之前的訓練圖檔來測試，例子如下：
tesseract eng.segoe.exp1.tif output -l eng
會產生一個output.txt
裡面就是Tesseract OCR 3.0透過你的訓練文檔來辨識出來的結果。
沒有留言:
張貼留言