将新字体添加到Tesseract eng.traineddata

Question

据我所知，Tesseract 3.x 自带6种英文字体（如果我错了请指出）。我需要为更多5种字体训练Tesseract。我只需要大写字母和数字（没有特殊字符或符号）。

我尝试了各种方法，例如： 通过添加新字体到 Tesseract 3 OCR 引擎， 以及使用自动化工具，如Serak Tesseract Trainer for Tesseract 3.02。

我使用QT Box Editor生成框文件。 使用上述工具后，我获得了eng.traineddata文件。所有教程都告诉我将此eng.traineddata文件添加到 Tesseract-OCR\tessdata 文件夹中，但这样做会替换原始的 eng.traineddata 文件。这样做后，我是否会失去 Tesseract 3.x 自带的默认字体？

我如何添加新字体？对我来说还不清楚。我希望有人能在这里帮助我。谢谢。

- md1hunox

Answer 1

建议使用不同的名称，例如eng1.traineddata。这样，您可以通过指定语言选项-l eng+eng1来将新数据与原始数据一起使用。

- nguyenq

---

我在哪里可以指定语言选项“-l eng+eng1”？ - marcAntoine

这可能听起来有些懒，但是否有一种方法可以提供一个字体文件作为输入（比如网站），并提供一个经过训练的tessdata作为输出？ - tipycalFlow

@tipycalFlow jTessBoxEditor具有TIFF/Box生成器。您可以提供字体文件并获得正确值的框。使用Serak Tesseract Trainer，您可以完成其余部分。 - Alexander Taubenkorb

Answer 2

如果您有不同字体的新训练数据，我认为您的新字体没有字典校正。

要添加新的训练数据，您可以按照以下步骤操作（此处使用PHP代码）。

//  as you new trained data, it must be 3 letter prefix 
// what ever 3 letter you want
$languange = "eng+deu";
$settingLanguage = $tesseract -> setLanguage($language) ; 

通过查看tesseract.php函数setLanguage()，您可以使用该函数设置语言。

- ogy