背景

Tesseract標註訓練最根本的檔案是兩個：tiff檔案（儲存圖片）及box檔案（標註字元值和位置）
一般tiff用命令合成，box檔案用jTessBoxEditor生成。

背景知識

參考前一篇部落格，可以用python讀寫tiff檔案。

另外box每一行的格式如下（6個元素）：

tag x1 y1 x2 y2 frame-num

tag即OCR識別後的字元的值，(x1,y1)是box左下角座標，(x2, y2)是box右上角的座標 。注意box檔案的座標系原點是圖片的左下角。

frame-num是圖片在tiff檔案裡的序號，從0開始。每一幀可以有多個標註，也可以有一個。

比如，一個標註數字的box檔案部分內容如下：

2 28 2 40 18 0
0 39 2 51 18 0
8 51 2 63 18 0
3 172 2 183 18 0
0 183 2 195 18 0
2 195 2 208 18 0
4 208 2 220 18 0
1 220 2 230 18 0
3 16 2 27 18 1
2 28 2 39 18 1
0 40 2 51 18 1
1 52 3 61 18 1
2 64 2 75 18 1
0 183 2 195 18 1
7 196 2 207 18 1
1 208 2 217 18 1
7 219 2 232 18 1
3 16 2 27 18 2
2 27 2 39 18 2
0 39 2 51 18 2
1 52 2 60 18 2
2 64 2 75 18 2
 

一個坑

jTessBoxEditor介面上顯示的box的位置，座標系原點在圖片左上角，描述box位置的4個元素是（x, y, w, h），其中（x,y）是box左上角的座標，（w,h）是框的寬高。

同一個軟體，兩種不同的座標系及box表示方法，不得不服作者。

官方說明文件這麼說的：

Note that the coordinate system used in the box file has (0,0) at the bottom-left; on computer graphics devices, however, (0,0) is defined as top-left. jTessBoxEditor uses and displays in the graphics device coordinates. The edited box files are still read and written in proper format.
 

批量標註和合並資料集的思路

我手上有一批同樣解析度的漢字圖片（有標註值），有了上面的知識，就可以將這些圖片合併到一個tiff檔案，並且將相應的標註資訊寫入一個box檔案。假設圖片解析度為64X64, 那麼(x1,y1,x2,y2)我就取(0,0,64,64)。

如果有兩個tiff及box，只要把圖片調整為相同的解析度，或者用空白補齊，就可以把圖片抽出來合併為一個tiff檔案，並適當修改box資訊，合併為一個box檔案。

參考資料