Tesseract 4.0 entrena fuentes y reconoce imágenes entrenadas

¡Los enlaces de descarga para cada herramienta se encuentran al final del artículo!

¡importante! ! Primero cree una carpeta vacía (con cualquier nombre) para guardar el modelo entrenado. También debe crear una carpeta llamada tessdata dentro, que debe llamarse

$descarga\ color{#2111f1} se puede descargar primero para probarlo y entrenarlo (solo necesita reemplazar la ruta del archivo en el archivo java con la ruta de almacenamiento de su propio paquete de descarga), y la imagen debe usar la imagen en el paquete de descarga, porque el entrenamiento es descargar la imagen dentro de la bolsa$

$\color{#21a2f1} 1. Ejecute tesseract-ocr-w64 -setup-v4.0.0.20181030.exe, después de la instalación, configure las variables de entorno del sistema (no se describirán las más básicas)$

D:\Program Files (x86)\Tesseract-OCR  只是我配置的路径，就是安装的根路径
在后面用来生成.box文件

$\color{#21a2f1} 2. Use jTessBoxEditor para generar la imagen tif combinada de la muestra de entrenamiento (La imagen ya está preparada, o puede prepararla usted mismo)$

Abra jTessBoxEditor, seleccione Herramientas->Combinar TIFF, ingrese a la carpeta donde se encuentran las muestras de capacitación y seleccione las imágenes de muestra para participar en la capacitación:
Haga clic en "Abrir" para que aparezca un cuadro de diálogo para guardar, elija guardarlo en la ruta actual, nombre el archivo "zwp.test.exp0.tif", y solo un formato "TIFF" es opcional.
Nota: El formato de nombre del texto tif es [lang].[fontname].exp[num].tif
lang es el idioma, fontname es la fuente y num es el número personalizado.
Por ejemplo, si queremos entrenar una biblioteca de fuentes personalizada zwp, el nombre de la fuente es test, luego llamamos al archivo de imagen zwp.test.exp0.tif

$\color{#21a2f1} 3. Use tesseract para generar el archivo .box$

Abra el programa de línea de comandos en el directorio donde se encuentra el archivo "zwp.test.exp0.tif" generado en el paso anterior, ejecute el siguiente comando y el archivo zwp.test.exp0.box se generará después de la ejecución.

执行如下命令  tesseract zwp.test.exp0.tif zwp.test.exp0  batch.nochop makebox

$\color{#21a2f1} 4. Use jTessBoxEditor para corregir errores en archivos .box$

El archivo .box registra la posición de cada carácter en la imagen y el contenido reconocido, porque el contenido y la posición reconocidos pueden combinar dos caracteres o dividir un carácter, por lo que debe usar jTessBoxEditor para ajustar antes de entrenar la posición y el contenido de los caracteres.

Pasos para el uso:

Abra jTessBoxEditor y haga clic en Box Editor -> Abrir, abra el "zwp.test.exp0.tif" generado en el paso 2 y se asociará automáticamente con el archivo "zwp.test.exp0.box". Los dos archivos deben estar en el mismo directorio. Después de ajustar, haga clic en "guardar" para guardar la modificación.

$\color{#21a2f1} 5. Genere el archivo font_properties:$

Ejecute el siguiente comando: echo test 0 0 0 0 0 >font_properties
También puede crear manualmente un nuevo archivo de texto llamado font_properties e ingresar el contenido "prueba 0 0 0 0 0" para indicar un total de 5 propiedades, como negrita y cursiva, de la prueba de fuente. La "prueba" aquí debe ser consistente con el nombre "prueba" en "zwp.test.exp0.box".

$.tr\color{#21a2f1} 6. Use tesseract para generar el archivo de entrenamiento .tr$

Ejecute el siguiente comando. Después de la ejecución, el archivo zwp.test.exp0.tr se generará en el directorio actual.

执行如下命令  tesseract zwp.test.exp0.tif zwp.test.exp0 nobatch box.train

$caracteres\color{#21a2f1} 7. Generar archivo de juego de caracteres$

Ejecute el siguiente comando: Después de la ejecución, se generará un archivo llamado "unicharset" en el directorio actual.

执行命令 unicharset_extractor zwp.test.exp0.box

$forma\color{#21a2f1}8. Generar archivo de forma$

Ejecute el siguiente comando. Después de la ejecución, se generarán dos archivos, shapetable y zwp.unicharset.

执行命令  shapeclustering -F font_properties -U unicharset -O zwp.unicharset zwp.test.exp0.tr

$poli\color{#21a2f1}9. Generar archivo de características de caracteres poli$

Ejecutar el siguiente comando generará cuatro archivos: inttemp, pffmtable, shapetable y zwp.unicharset.

执行命令   mftraining -F font_properties -U unicharset -O zwp.unicharset zwp.test.exp0.tr

$caracteres\color{#21a2f1}10. Generar archivo de funciones de normalización de caracteres$

Ejecute el siguiente comando para generar un archivo normproto.

执行命令： cntraining zwp.test.exp0.tr

$archivo\color{#21a2f1}11. Cambiar nombre de archivo$

Cambie el nombre de los cuatro archivos inttemp, pffmtable, shapetable y normproto a [lang].xxx.

Aquí modificado a zwp.inttemp, zwp.pffmtable, zwp.shapetable y zwp.normproto

依次执行下面命令

rename normproto zwp.normproto

rename inttemp zwp.inttemp

rename pffmtable zwp.pffmtable

rename shapetable zwp.shapetable

$entrenamiento\color{#21a2f1}11. Combinar archivos de entrenamiento$

Ejecute el siguiente comando para generar el archivo zwp.traineddata.

执行命令 combine_tessdata zwp.

Copie el archivo del paquete de idioma "zwp.traineddata" generado en la carpeta tessdata en el directorio de carpetas recién creado, y luego puede usar el paquete de idioma generado por el entrenamiento para el reconocimiento de texto de imagen.

$código\color{#21a2f1}12. Prueba de código$

Introducir dependencias en pom

     <!--   pom  tess4j相关依赖   -->
        <dependency>
            <groupId>net.sourceforge.tess4j</groupId>
            <artifactId>tess4j</artifactId>
            <version>3.4.0</version>
            <exclusions>
                <exclusion>
                    <groupId>com.sun.jna</groupId>
                    <artifactId>jna</artifactId>
                </exclusion>
            </exclusions>
        </dependency>

el código


public class Main {
    public static void main(String[] args) {
        System.out.println("Hello world!");
        //你的图片 1.png 为我自定义图片名字 其实使用的就是 上面的测试图片
        File imageFile = new File("D:\\OCR\\1.png");
        //你训练库的路径tessdata
        ITesseract instance = new Tesseract();
        //     模型文件夹必须叫做 tessdata
        instance.setDatapath("D:\\OCR\\Test2\\tessdata");
//        zwp 是刚刚训练过的 包
        instance.setLanguage("zwp");
//        chi_sim 是自带的中文包
//        instance.setLanguage("chi_sim");
        String result = null;
        try {
            result = instance.doOCR(imageFile);
        } catch (TesseractException e) {
            throw new RuntimeException(e);
        }
        System.out.println(result);
    }
}

Si la red no funciona, puede descargar el archivo del código fuente para operar
el código fuente de demostración

Se utiliza para configurar variables de entorno y generar archivos .box
Sitio web oficial de tesseract-ocr

Se utiliza para ajustar el contenido y la posición del texto en la imagen
Sitio web oficial de la herramienta jTessBoxEditor

Se utiliza para configurar el paquete de idioma (instancia.setLanguage)
otra dirección del paquete de idioma