我目前正在使用Tesseract OCR在Android上开发一个项目。希望通过添加词典来微调用户获取的结果。根据 tesseract OCR wiki 的说明,最好的方法是:
用与之相同格式的UTF8文本文件替换tessdata/eng.user-words中的单词列表,每行一个单词。
然而,在tessdata文件夹中没有eng.user-words文件。我猜想如果我只是创建一个包含我的字典的文本文件,它将永远不会被使用……
是否有人有类似的经历并知道该怎么做?
我目前正在使用Tesseract OCR在Android上开发一个项目。希望通过添加词典来微调用户获取的结果。根据 tesseract OCR wiki 的说明,最好的方法是:
用与之相同格式的UTF8文本文件替换tessdata/eng.user-words中的单词列表,每行一个单词。
然而,在tessdata文件夹中没有eng.user-words文件。我猜想如果我只是创建一个包含我的字典的文本文件,它将永远不会被使用……
是否有人有类似的经历并知道该怎么做?
tesseract 3
(我认为是这样的),那么您需要重新构建eng.trainddata
文件。
我打算完全替换单词 DAWG 文件以尝试获得更好的结果(即 - 我检测到的单词总是相同的)。
在编译tesseract时,您需要在训练目录中包含combine_tessdata
和wordlist2dawg
可执行文件。
按照以下步骤操作:
解压所有内容(我这样做只是为了备份我的 eng.word-dawg,您稍后还需要 unicharset)
./combine_tessdata -u eng.traineddata
创建您的单词列表文本文件(wordlistfile)
创建 eng.word-dawg
./wordlist2dawg wordlistfile eng.word-dawg traineddat_backup/.unicharset
替换单词 DAWG 文件
./combine_tessdata -o eng.traineddata eng.word-dawg
从'traineddat_backup/.unicharset'加载unicharset 无法从'traineddat_backup/.unicharset'加载unicharset
请帮忙,我正在Ubuntu 12.04和tesseract 3.02上尝试。 - Muaz Usmanitraineddat_backup/.unicharset
是第一个命令的输出文件夹路径。如果第一个命令是./combine_tessdata -u ita.traineddata /path/to/folder/tmp/ita.
,那么第三个命令就是./wordlist2dawg wordlist ita.word-dawg /path/to/folder/tmp/ita.unicharset
。希望能对你有所帮助,我在这上面浪费了30分钟。 - Tenaciousd93