由於tesseract的中文語言包“chi_sim”對中文字體或者環境比較復雜的圖片，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。
工具：
-
Java虛擬機，由於jTessBoxEditor的運行依賴Java運行時環境，所以需要安裝Java虛擬機。下載地址：http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html
-
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/
- 安裝包解壓后雙擊里邊的“jTessBoxEditor.jar”，或者雙擊該目錄下的“train.bat”腳本文件，就可以打開該工具了
第一步：合成圖片集
- 打開jTessBoxEditor，選擇 Tools->Merge TIFF，進入訓練樣本所在文件夾，選中要參與訓練的樣本圖片：進行訓練的樣本圖片數量越多越好
-
點擊 “打開” 后彈出保存對話框，選擇保存在當前路徑下，文件命名為： “demo.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：是字體，num：為自定義數字。
- 比如我們要訓練自定義字庫 demo，字體名 test，那么我們把圖片文件命名為 demo.test.exp0.tif
第二步：生成box文件
- 在上一步驟生成的 .tif 文件所在目錄下打開命令行程序，執行下面命令,執行完之后會生成 .box文件, .BOX文件為Tessercat識別出的文字和其坐標。
- 命令：tesseract demo.test.exp0.tif demo.test.exp0 -l chi_sim -psm 7 batch.nochop makebox
第三步：矯正.box文件的錯誤
- .box文件記錄了每個字符在圖片上的位置和識別出的內容，訓練前需要使用jTessBoxEditor調整字符的位置和內容。（注：圖片dpi > 300 時效果更好）
- 打開jTessBoxEditor點擊Box Editor ->Open，打開步驟2中生成的 .tif，會自動關聯到 .box 文件，這兩文件要求在同一目錄下。調整完點擊“save”保存修改。
第四步：生成font_properties文件（該文件沒有后綴名）
- 執行命令，會在當前目錄生成font_properties文件，命令：echo test 0 0 0 0 0 >font_properties
- 執行完成之后，在當前文件夾下生成font_properties文件
-
也可以手動在該文件夾下建立一個名為 “font_properties” 的文件，這個文件沒有后綴名稱，輸入內容 “font 0 0 0 0 0” ， 表示字體 font 的粗體、傾斜等共計5個屬性全都設置為0。注意 ： 這里輸入的 “font” 名稱必須與 “demo.test.exp0.box” 中兩個點號之間的 “test” 名稱保持一致。
第五步：生成.tr訓練文件
- 執行生成 demo.test.exp0.tr 文件，命令：tesseract demo.test.exp0.tif demo.test.exp0 nobatch box.train
第六步：生成字符集文件
- 執行命令，生成一個名為“unicharset”的文件；命令：unicharset_extractor demo.test.exp0.box
第七步：生成shape文件
- 執行命令，生成 shapetable 和 demo.unicharset 兩個文件。命令：shapeclustering -F font_properties -U unicharset -O demo.unicharset demo.test.exp0.tr
第八步：生成聚字符特征文件
- 執行命令，會生成 inttemp、pffmtable、shapetable和demo.unicharset四個文件。命令：mftraining -F font_properties -U unicharset -O demo.unicharset demo.test.exp0.tr
第九步：生成字符正常化特征文件
- 執行命令，生成 normproto 文件。命令：cntraining demo.test.exp0.tr
第十步：文件重命名
- 重新命名inttemp、pffmtable、shapetable和normproto這四個文件的名字為[lang].xxx。這里修改為demo.inttemp、demo.pffmtable、demo.shapetable和demo.normproto
rename normproto demo.normproto rename inttemp demo.inttemp rename pffmtable demo.pffmtable rename shapetable demo.shapetable rename unicharset demo.unicharset
第十一步：合並訓練文件
- 執行下面命令，會生成demo.traineddata文件。命令：combine_tessdata demo.
- 將生成的“demo.traineddata”語言包文件復制到Tesseract-OCR 安裝目錄下的tessdata文件夾中，就可以使用訓練生成的語言包進行圖像文字識別了。
測試
import pytesseract from PIL import Image as img class Languages: CHS = 'chi_sim' CHT = 'chi_tra' ENG = 'eng' DM = 'demo' text = pytesseract.image_to_string(img.open('demo.jpg'), lang=Languages.DM) print(text)
參考資料：