跳到主要内容

Tesseract字库编辑器使用说明

提示
  • 该产品用于训练Tesseract的字库，基于jTessBoxEditor二次开发，简化操作，在处理字库上，更容易编辑
  • 训练好的Tesseract字库，适用于EC的安卓、iOS USB版本、iOS脱机版本、鸿蒙Next版本等

下载安装​

  • 进入EC的网盘下载区域，找到【开发工具-Ocr资源文件夹】下载【EasyClick-TesseractOCR-字库编辑器.zip文件】
  • 下载解压后，打开【tessocr-editor.exe】文件
  • 注意：解压的路径不要有中文、空格等特殊字符，否则可能无法进行验证结果集
  • 找不到下载网址，点这里 下载区域

训练字库​

  • 打开【tessocr-editor.exe】文件界面如下
  • Tesseract路径选项不用更改，默认已经选择了自带的tesseract训练库，如果更改，请选择到tesseract.exe文件

第一步：合并图片为tif文件按钮​

  • 该功能是将jpg、png、bmp文件合并为tif图像文件，点击后可以选中一个文件夹或者选择一个图像文件进行合并
  • 例如我们选择 E:/jtess/img/文件夹，然后输入新字库名称为 newfont 进行合并，在日志界面会提示生成tif文件成功

第二步：选择tif文件​

  • 点击选择按钮, 进行选择tif文件

第三步：生成box字库文件​

  • 选择生成box文件选项，点击开始按钮，这里默认PSM是6，基础语言集是中文加英文，也就是chi_sim+eng
  • 生成box的日志
  • 系统会在你的tif对应的文件夹生成一个系统文件名的box文件

第四步：训练字库​

  • 这一步是生成tesseract的traineddata文件
  • 选择生成traineddata训练集文件选项，点击开始按钮，观察日志，就会在提示生成的traineddata文件夹路径

第五步: 验证​

  • 点击验证按钮，选择一张图片，对tesseract生成的类库进行验证
  • 也可以删除 基础语言集的值，进行验证
  • 如果发现验证结果不如意，进入字库编辑器选项，进行编辑字库后再次训练验证

编辑字库​

  • 界面如下

打开box文件​

  • 点击打开按钮，快捷键是ctrl+o，选择一个tif文件，会自动打开box文件
  • 左侧表格是字库和坐标，右侧是图片和字库的方框

编辑文字​

  • 双击表格中的文字进行编辑后回车，即可更改
  • 或者更改顶部的字符一栏，更改文字和坐标

更改文字坐标框​

  • 选择 表格中的文字，在右边的图片中，文字会被用红色框住
  • 拖动红色框的斜箭头即可拖动框的大小
  • 使用鼠标拖动红色框，更改框住的坐标
  • 也可以使用键盘的方向键进行更改坐标

字库放大视图​

  • 点击字库视图一栏，使用键盘的方向键进行移动红色框住的范围
  • 使用ctrl+方向键进行放大或者缩小框住的范围，一直到框住文字位置即可

图片编辑​

  • 该功能主要利用opencv的能力，对图片进行灰度和二值化，防止图片训练效果不好或者无法识别

其他功能​

  • 合并按钮：用来合并多个box文字
  • 分割按钮：用来将一个box文字分割两个
  • 插入按钮：插入新的box
  • 删除按钮：删除不要的box
  • 字体按钮：设置软件表格的字体，可以不用
  • box字库表格右键菜单，也有部分功能

快捷键​

  • ctrl+o 打开box对应的tif文件
  • ctrl+s 保存编辑的box文件
  • ctrl+p或者alt+p 切换到上一个字
  • ctrl+n或者alt+n 切换到下一个字
  • 方向键 移动文字的框
  • ctrl+方向键或者alt+方向键 扩大或者缩小文字框的范围
  • 鼠标拖动：拖动文字框
  • 鼠标拖动斜箭头：放大缩小文字框
  • ctrl+d或者alt+d 上一张图片
  • ctrl+g或者alt+g 下一张图片

使用​

  • 编辑好字库，并且重新训练为traineddata文件，即可按照tessocr的教程使用训练的字库了

保存​

  • 关闭软件之前 一定要保存编辑的box数据，防止丢失

常见问题​

  • 验证结果不成功
    • 可能是解压zip的文件路径包含了中文或者特殊字符，更改文件夹路径为英文即可
  • 软件打开闪退
    • 可能是因为系统缺少vc组件，去网盘找到vc组件进行安装重启电脑后重新打开软件
  • 训练的时候出现 FAILURE! couldn’t find a matching blob
    • “couldn’t find a matching blob”通常是因为Tesseract无法识别图像中的特定形状或特征。
    • 解决这个问题有以下几种方法：
      • 提高图像质量：确保输入图像清晰无噪声，适当调整亮度和对比度。Tesseract对高质量的图像有更好的识别效果。
      • 使用预处理：在识别前进行图像预处理，如二值化、去噪、倾斜校正等，可以提高识别准确率。
      • 调整参数：Tesseract有许多可调参数，如psm（页面分割模式）和oem（OCR引擎模式）。通过试验不同参数组合，可能找到适合特定场景的最佳设置。
      • 调整box字库的范围