由於tesseract的中文語言包“chi_sim”對中文手寫字型或者環境比較複雜的圖片，識別正確率不高，因此需要針對特定情況用自己的樣本進行訓練，提高識別率，通過訓練，也可以形成自己的語言庫。

Linux和windows的系統方法一樣,就是下面改名的地方,linux用的mv 命令,windows要用rename命令 , linux下要先安裝 tesseract-ocr

sudo apt install tesseract-ocr

步驟：

1、工具準備：

（1）官方文件：https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract-4.00

（2）Java虛擬機器，由於jTessBoxEditor的執行依賴Java執行時環境，所以需要安裝Java虛擬機器。

下載地址：http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html

（3）jTessBoxEditor2.0工具，用於調整圖片上文字的內容和位置，

下載地址：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

安裝包解壓後執行的“jTessBoxEditor.jar”，，就可以開啟該工具了。

java -jar jTessBoxEditor.jar // linux下
 

2、樣本圖片準備：（進行訓練的樣本圖片數量越多越好）

這裡只准備2種不同字型樣本進行測試：

3、使用jTessBoxEditor生成訓練樣本的的合併tif圖片：

（1）開啟jTessBoxEditor，選擇Tools->Merge TIFF，進入訓練樣本所在資料夾，選中要參與訓練的樣本圖片：

（2）點選 “開啟” 後彈出儲存對話方塊，選擇儲存在當前路徑下，檔案命名為 “zwp.test.exp0.tif” ，格式只有一種 “TIFF” 可選。

tif文面命名格式[lang].[fontname].exp[num].tif
lang是語言，fontname是字型，num為自定義數字。

比如我們要訓練自定義字型檔 zwp，字型名test，那麼我們把圖片檔案命名為 zwp.test.exp0.tif

4、使用tesseract生成.box檔案：

在上一步驟生成的“zwp.test.exp0.tif”檔案所在目錄下開啟命令列程式，執行下面命令,執行完之後會生成zwp.test.exp0.box檔案。

tesseract zwp.test.exp0.tif zwp.test.exp0 -l chi_sim -psm 7 batch.nochop makebox

5、使用jTessBoxEditor矯正.box檔案的錯誤：

.box檔案記錄了每個字元在圖片上的位置和識別出的內容，訓練前需要使用jTessBoxEditor調整字元的位置和內容。

開啟jTessBoxEditor點選Box Editor ->Open，開啟步驟2中生成的“zwp.test.exp0.tif”，會自動關聯到“zwp.test.exp0.box”檔案，這兩檔案要求在同一目錄下。調整完點選“save”儲存修改。(有merge,split ,insert.delete等操作,同時可以將包含字的框進行調節 ,圖中用調整位置標紅)

6、生成font_properties檔案：（該檔案沒有後綴名）

（1）執行命令，執行完之後，會在當前目錄生成font_properties檔案

echo test 0 0 0 0 0 >font_properties

（2）也可以手工新建一個名為font_properties的文字檔案，輸入內容 “test 0 0 0 0 0” 表示字型test的粗體、傾斜等共計5個屬性。這裡的“test”必須與“zwp.test.exp0.box”中的“test”名稱一致。

7、使用tesseract生成.tr訓練檔案:

執行下面命令，執行完之後，會在當前目錄生成zwp.test.exp0.tr檔案。

tesseract zwp.test.exp0.tif zwp.test.exp0 nobatch box.train

8、生成字符集檔案：

執行下面命令：執行完之後會在當前目錄生成一個名為“unicharset”的檔案。

unicharset_extractor zwp.test.exp0.box

9、生成shape檔案：

執行下面命令，執行完之後，會生成 shapetable 和 zwp.unicharset 兩個檔案。

shapeclustering -F font_properties -U unicharset -O zwp.unicharset zwp.test.exp0.tr

10、生成聚字元特徵檔案：

執行下面命令，會生成 inttemp、pffmtable、shapetable和zwp.unicharset四個檔案。

mftraining -F font_properties -U unicharset -O zwp.unicharset zwp.test.exp0.tr

11、生成字元正常化特徵檔案：

執行下面命令，會生成 normproto 檔案。

cntraining zwp.test.exp0.tr

12、檔案重新命名：

重新命名inttemp、pffmtable、shapetable和normproto這四個檔案的名字為[lang].xxx。

這裡修改為zwp.inttemp、zwp.pffmtable、zwp.shapetable和zwp.normproto

執行下面命令：

mv normproto zwp.normproto
mv inttemp zwp.inttemp
mv pffmtable zwp.pffmtable
mv shapetable zwp.shapetable

13、合併訓練檔案：

執行下面命令，會生成zwp.traineddata檔案。

combine_tessdata zwp.

Log輸出中的Offset 1、3、4、5、13這些項不是-1 (其餘的不用在意)，表示新的語言包生成成功。

**　將生成的“zwp.traineddata”語言包檔案複製到Tesseract-OCR 安裝目錄下的tessdata資料夾中，就可以使用訓練生成的語言包進行影象文字識別了。**

14、測試：

輸入下面命令，-l後面為訓練生成的語言包。(當然在輸入下面的命令之前,將生成的“zwp.traineddata”語言包檔案複製到Tesseract-OCR 安裝目錄下的tessdata資料夾中，就可以使用訓練生成的語言包進行影象文字識別了)

tesseract test.PNG test -l zwp

使用新訓練的語言包進行文字識別後，會發現之前識別不出來的文字也可以識別出來了。

原文：https://blog.csdn.net/a745233700/article/details/80175883