一种新字体的Tesseract培训

Question

我还不熟悉Tesseract OCR，在我的脚本中使用它之后，我注意到对于我试图从中提取文本的图像，它有一个相对较大的错误率。我遇到了Tesseract培训，它应该能够降低您使用的特定字体的错误率。我发现了一个网站（http://ocr7.com/），它是一个由Anyline提供动力的工具，可以对您指定的字体进行所有培训。因此，我收到了一个.traineddata文件，我不太确定如何处理它。有人能解释一下我要怎么处理这个文件才能使它工作吗？或者我应该学习如何以手动方式进行Tesseract培训，根据Anyline网站的说法，这可能需要一天的工作。提前谢谢

Answer 1

如果要使用新字体训练tesseract，请使用所需字体生成.traineddata文件。要生成.traineddata，首先需要.tiff文件和.box文件。您可以使用jTessBoxEditor创建这些文件。jBossTextEditor的教程是here。制作.tiff文件时，您可以设置使用的字体。您可以使用jTessBoxEditor生成.traineddata，也可以使用serak-tesseract-trainer生成。我已经使用了这两种方法，我想说的是，对于生成tiff和box文件，jTessBoxEditor非常好，对于培训tesseract，可以使用serak

Answer 2

我制作了一个视频教程，解释最新版本Tesseract（LSTM模型）的过程，希望能有所帮助https://www.youtube.com/watch?v=TpD76k2HYms

Answer 3

对于仍要阅读本文的任何人，您可以使用此工具获取所需字体的traineddata文件。之后，移动数据文件夹中的traineddata文件。要将tesseract与Python或任何其他语言（我想？）中的新字体一起使用，请将lang = "Font"作为image_To_string函数的第二个参数。它显著提高了准确性，但当然也会犯错误。或者，您可以通过以下指南了解如何手动培训tesseract以使用新字体：http://pretius.com/how-to-prepare-training-files-for-tesseract-ocr-and-improve-characters-recognition/