tesseract3.01的训练和使用

相关源码、资源下载：http://code.google.com/p/tesseract-ocr/downloads/list

训练步骤：

1、  Generate Training Images：生成tif图像文件(简单的几个汉字)；

如：ABC.Roman.exp0.tif([lang].[fontname].exp[num].tif)

2、  Make Box Files：由上tif图像文件生成box文件；由tesseract.exe生成box文件；打开生成的box文件，修改其中不正确的部分；

配置文件参数："batch.nochop", "makebox"

运行文件：tesseractmain.cpp

如：ABC.Roman.exp0.box

3、  Run Tesseract for Training：

配置文件参数："nobatch", "box.train"或"nobatch", "box.train.stderr"

运行文件：tesseractmain.cpp

生成的文件包括：ABC.Roman.exp0.tr 、ABC.Roman.exp0.txt

4、  Compute the Character Set：

运行文件：unicharset_extractor.cpp

生成的文件：unicharset

5、  font_properties：

需要自己创建一个txt文件，如font_properties.txt

运行文件：mftraining.cpp

生成的文件：inttemp、Microfeat、pffmtable、ABC.unicharset

6、  Clustering：

运行文件：mftraining.cpp（类似5）

运行文件：cntraining.cpp

生成的文件：normproto

7、  Dictionary Data：

需要自己创建5个txt文件，如：frequent_words_list.txt、words_list.txt、punc_list.txt、number_list.txt、user_words_list.txt

运行文件：wordlist2dawg.cpp

生成的文件：ABC.freq-dawg、ABC.word-dawg、(ABC.punc-dawg、ABC.number-dawg、ABC.user-words)

8、  The last file：

需要自己手动创建一个unicharambigs文件

9、  Putting it all together：

将normproto, Microfeat, inttemp, pffmtable四个文件重命名以ABC.为前缀，分别改为ABC.normproto, ABC.Microfeat, ABC.inttemp, ABC.pffmtable

运行文件：combine_tessdata.cpp

生成的文件：ABC.traineddata

以上的所有.cpp文件均可以根据自己的实际要求进行相应的修改。

使用：

将生成的ABC.traineddata文件拷贝到tessdata目录下，然后调用tesseractmain.cpp文件执行即可。

参考文献：

1、  http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3

2、  http://www.docin.com/p-216160535.html

3、  http://blog.wudilabs.org/entry/f25efc5f/

4、  http://blog.csdn.net/dyfleoo/article/details/6959591

5、  http://blog.csdn.net/fengbingchun/article/details/6920667

6、http://code.google.com/p/tesseract-ocr/wiki/ReadMe