Tesseract的自定义词典

Question

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？

- TomSelleck

Answer 1

如果您正在使用的是 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：

1. 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

2. 创建您的单词列表文本文件（wordlistfile）

3. 创建 eng.word-dawg

   ./wordlist2dawg wordlistfile eng.word-dawg traineddat_backup/.unicharset

4. 替换单词 DAWG 文件

   ./combine_tessdata -o eng.traineddata eng.word-dawg

完成。

- roocell

---

我正在尝试执行第3步，但出现了以下错误： 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 Usmani

@MuhammadMuaz：traineddat_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