为Tesseract OCR创建训练图像

Question

我正在编写一台用于训练Tesseract OCR图像的生成器。

为Tesseract OCR生成新字体的训练图像时，有哪些最佳值：

1. DPI
2. 以磅为单位的字体大小
3. 字体是否应该消除锯齿
4. 边界框是否适合：或不：

Answer 1

第二个问题以某种方式回答：http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3#Generate_Training_Images 无需使用多种尺寸进行训练。 10分会做。 （例外情况是非常小的文本。如果要识别x高度小于约15像素的文本，您应该专门训练它或者在尝试识别它们之前缩放图像。）

问题1和3：根据经验，我成功使用了300 dpi图像/非抗锯齿字体。更具体地说，我在培训pdf上使用了以下转换参数，这产生了令人满意的图像：

convert -density 300 -depth 8 [input].pdf -background white -flatten +matte -compress none -monochrome [output].tif

但后来我尝试在Tesseract上添加一个虚线字体，当我使用150 dpi图像时它只能正确检测到字符。所以，我认为没有通用的解决方案，这取决于你想要添加的字体类型。

Answer 2

我找到了第四个问题的答案 - ＆＃34;边界框是否适合贴合＆＃34;。

似乎尽可能地拟合矩形会产生更好的结果。

正如@Yaroslav建议的那样，其他12分和300分秒就足够了。我认为抗锯齿更好地关闭。

Answer 3

tesseract培训的好工具http://vietocr.sourceforge.net/training.html

因为有许多优点所以是好的工具

1. 字母上的边界框可以通过基于GUI的界面进行编辑
2. 自动创建所有需要文件
3. 自动组合所有文件，如freq-dawg，word-dawg，用户词（可以是空文件），Inttemp，Normproto，Pffmtable，Unicharset，DangAmbigs（可以是空文件），shapetable为单console.log("1.05.toPrecision(2) = " + (1.05).toPrecision(2)); // returns "1.1" console.log("1.005.toPrecision(3) = " + (1.005).toPrecision(3)); // returns "1.00", shouldn't it be "1.01"?文件。
4. 新培训数据可与现有tesseract文件eng.traineddata
一起使用