训练

1.下载jTessBoxEditor。

2.准备训练图片，将图片改为TIFF各式。

3.合并TIF文件。

打开jTessBoxEditor，点击Tools->Merge Tiff ，按住shift键选择前文提到的101个tif文件，并把生成的tif合并到新目录下，命名为snlang.sn.exp0.tif。

注意：snlang是本人定义的语言名称，sn是本人定义的字体名称，后续都会用到，你可以修改成你喜欢的名字。

4.生成box文件

【语法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox  

lang为语言名称，fontname为字体名称，num为序号；在tesseract中，一定要注意格式。

tesseract snlang.sn.exp0.tif snlang.sn.exp0 -l eng -psm 7 batch.nochop makebox

5.修改box文件

切换到jTessBoxEditor工具的Box Editor页，点击open，打开前面的tiff文件snlang.sn.exp0.tif，工具会自动加载对应的box文件。

检查box数据，如下图所示，数字8被误认成字母H，手工修改H成8，并保存。

点击下图红色框的按钮，逐个核对tif文件的box数据，全部检查结束并保存。

6.生成font_properties

执行echo命令生成font_properties。

【语法】：<fontname> <italic> <bold> <fixed> <serif> <fraktur>  

fontname为字体名称，italic为斜体，bold为黑体字，fixed为默认字体，serif为衬线字体，fraktur德文黑字体，1和0代表有和无，精细区分时可使用

echo sn 0 0 0 0 0 >font_properties

也可以手工新建一个名为font_properties的文本文件（注意该文件没有扩展名），内容为字体名sn，后面带5个0，分别代表字体的粗体、斜体等属性，这里全部是0

7.生成训练文件

执行命令，生成snlang.sn.exp0.tr训练文件

tesseract snlang.sn.exp0.tif snlang.sn.exp0 box.train

8.生成字符集文件

执行命令，生成名为unicharset的字符集文件。

unicharset_extractor snlang.sn.exp0.box

9.生成shape文件

执行命令，生成shape文件

shapeclustering -F font_properties -U unicharset -O snlang.unicharset snlang.sn.exp0.tr

10.生成聚集字符特征文件

执行命令，生成3个特征字符文件，unicharset、inttemp、pffmtable

mftraining -F font_properties -U unicharset -O snlang.unicharset snlang.sn.exp0.tr

11生成字符正常化特征文件

执行命令，生成正常化特征文件normproto。

cntraining snlang.sn.exp0.tr

12.更名

rename normproto sn.normproto
rename inttemp sn.inttemp
rename pffmtable sn.pffmtable
rename unicharset sn.unicharset
rename shapetable sn.shapetable

13.合并训练文件

执行命令，生成sn.traineddata文件。

combine_tessdata sn.

注意：

a、sn.traineddata文件最终要拷贝tesseract安装目录的tessdata目录下，才能被tesseract找到。

b、命令行最后必须带一个点。