如何为Tesseract 4.0添加新字体？

Question

我正在制作一个文本识别程序，我想训练我的 Tesseract 4.0 以识别特定的字体（希伯来语）。我该怎么办？

我尝试了“ trainyourtesseract.com”（根本不起作用）和“ jTessBoxEditor”（我不知道如何使其正常工作）。

在此问题上，我希望获得一些帮助。 谢谢。

Answer 1

您尝试阅读此链接吗？ https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract-4.00#tutorial-guide-to-lstmtraining 粗略的方法是，您必须准备自己的语言文件（最重要的是，自己的.trainingtext文件），然后运行tesstrain.sh生成数据集。之后，您可以运行Combine_tessdata从原始希伯来语模型中提取.lstm文件，并将其用作lstmtraining工具中的参数，以使用新字体对原始模型进行微调。

Answer 2

这里是tesseract自定义训练的shell脚本

N=3 # number of images

#image name => languagename.fontname.expN.filetype

制作盒子文件

for i in `seq 1 $N`
do
tesseract testlan.arial.exp$i.png testlan.arial.exp$i batch.nochop makebox
done

手动编辑框文件后需要完成以下步骤

#Step 02：创建 .tr 文件（合成图像文件和盒子文件）

第 3 步：从 box 文件中提取字符集（此命令的输出是 unicharset 文件）

for i in `seq 1 $N`
do
tesseract testlan.arial.exp$i.png testlan.arial.exp$i box.train
unicharset_extractor  testlan.arial.exp$i.box
done

第 4 步：根据我们的需要创建一个 font_properties 文件。

echo "[fontname] [italic (0 or 1)] [bold (0 or 1)] [monospace (0 or 1)] [serif (0 or 1)] [fraktur (0 or 1)]" > font_properties

echo "arial 0 0 1 0 0" > font_properties

第 5 步：训练数据。

#步骤 6

for i in `seq 1 $N`
do
mftraining -F font_properties -U unicharset -O testlan.unicharset testlan.arial.exp$i.tr
cntraining testlan.arial.exp$i.tr
done

#after step 5 and step 6 shapetable,inttemp,pffmtable,normproto 文件创建

第七步：将四个文件（shapetable,inttemp,pffmtable,normproto）重命名为（[langname].shapetable,[langname].inttemp,[langname].pffmtable,[langname].normproto）

 mv inttemp testlan.inttemp
 mv normproto testlan.normproto
 mv pffmtable testlan.pffmtable
 mv shapetable testlan.shapetable

combine_tessdata testlan.

#move testlan.traineddata 到 C:\Program Files\Tesseract-OCR\tessdata