在[lang] .traineddata文件中包含unicharambigs（Tesseract）

Question

在数字方面，我正面临着训练Tesseract OCR for Kannada字体（Lohit Kannada和Kedage）的问题。

例如，0被识别为8（和ನ为ವ）。 我需要帮助来包含unicharambigs文件（Github上的文档仅描述了格式）。尽管包含了unicharambigs文件，但我的output.txt文件没有改变。

假设[lang]对应kan，以下命令是否包含kan.traineddata文件中的unicharambigs文件？

combine_tessdata kan.

如果不这样做，我会很感激有关如何继续这样做的任何帮助。

Answer 1

很难回答不知道您使用的tesseract和kan.traineddata版本。

您可以解压缩kan.traineddata以查看其中包含的kan.unicharabigs版本，然后在编辑文件后将其重新组合。

请参阅https://github.com/tesseract-ocr/tesseract/blob/master/doc/combine_tessdata.1.asc了解命令语法

• 使用-u选项解压缩：

  • -u .traineddata PATHPREFIX使用提供的前缀解包.traineddata。

• 使用-o选项覆盖ucharambigs：

  • -o .traineddata FILE…：使用命令行中提供的组件覆盖.traineddata文件的指定组件。

请注意，https://github.com/tesseract-ocr/langdata/blob/master/kan/kan.unicharambigs似乎是eng.unicharambigs

的副本