目的：識別http://www.computrabajo.com.mx/bt-ofrd-human1985-207292.htm中的Email地址
官方文檔：https://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3
官方的英文文檔很長，這里記錄幾個關鍵步驟。
特別注意：訓練時用的版本與運行時用的版本一定要保持一致。
- 准備：
1、安裝Tesseract
2、下載圖片，保存到本地，並轉換成Tif格式。
- Make Box Files
1、tesseract eng.timesitalic.exp0.tif eng.timesitalic.exp0 batch.nochop makebox
2、把生成的box文件用文本編輯器編輯，使之與圖片中的文字一致
PS：此步驟亦可以使用jTessBoxEditor工具代替
- Run Tesseract for Training
tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] nobatch box.train
此步驟生成一個.tr的文件
- Compute the Character Set
unicharset_extractor lang.fontname.exp0.box
此步驟生成一個unicharset文件
- font_properties (new in 3.01)
用記事本新建一個名為font_properties的文件，內容格式為：<fontname> <italic> <bold> <fixed> <serif> <fraktur>
如：timesitalic 1 0 0 1 0
這個步驟要注意：<fontname>應與步驟"Run Tesseract for Training”命令中指定的[fontname]一致，如果沒有指定，則為UnknownFont
如：UnknownFont 0 0 0 0 0
三個命令：
shapeclustering -F font_properties -U unicharset lang.fontname.exp0.tr
mftraining -F font_properties -U unicharset -O lang.unicharset lang.fontname.exp0.tr
cntraining lang.fontname.exp0.tr lang.fontname.exp1.tr
- Putting it all together
combine_tessdata lang.
注意：一定要把Clustering生成的文件重命名，我在開始訓練時，沒仔細看官方的最關鍵的一段話：
That is all there is to it! All you need to do now is collect together all (shapetable, normproto, inttemp, pffmtable) the files and rename them with a lang. prefix, where lang is the 3-letter code for your language taken from http://en.wikipedia.org/wiki/List_of_ISO_639-2_codes …
后來在CSDN上看到邊城駱駝的博文http://blog.csdn.net/marvinhong/article/details/8459591，才恍然大悟。
- 測試
tesseract image.tif output -l lang
- 最后附上幾個有用的鏈接：
VietOCR | Free Graphics software downloads at SourceForge.net
tesseractdotnet - tesseract-ocr .net - Google Project Hosting