向Tesseract OCR引擎添加黑体字体支持

Question

我正在努力让林肯字体在Tesseract中生效，即使经过了非常复杂的训练过程，结果也很糟糕。

这就是字体的样子，所以确实有点棘手：

我精心制作了一张训练图片，然后用它制作了一个框文件。训练图片在这里（25MB！）。该图片为300 DPI，并且具有代表性的字符，在垂直和水平方向上间距得很好。

我为训练图片创建了一个框文件，并且它正常工作。我使用框文件编辑器验证了它的正确性。

我使用这个框文件/tif文件创建了训练数据。我也同样地对Tesseract提供的30多个其他示例图像/字体进行了操作。

我创建了unicharset文件。

我创建了font_properties文件。该网站没有关于何时应该使用fraktur的指导。因此，我尝试了这种方式（Lincoln上开启fraktur）：

eng.lincoln.box 0 0 0 0 1

而这样（去除黑体）：

eng.lincoln.box 0 0 0 0 0

最后，我尝试了使用和不使用字典文件。当我使用字典文件时，它们来自于我的搜索引擎Sphinx的单词映射表，其中包含约15K个常见单词和约20K个不常见单词。

在所有情况下，当我尝试OCR 此文件（3MB） 的前几行时，质量都很差。与其得到：

United States Court of Appeals 
for the Federal Circuit

我得到：

OniteiJ %tates C0urt of QppeaIs
for the jfeI1eraICircuit

为什么？

- mlissner

Answer 1

我不是Tesseract专家，但我已经评估了几乎所有可用的OCR引擎，我的评论基于多年分析OCR错误的经验。

只是想知道为什么您的图像背景有斑点而不是纯白色背景。我不知道Tesseract或训练工具如何工作，但背景可能会导致一些问题。

仅仅阅读示例页面就很困难，需要大量的注意力。例如F和I这样的字符非常相似，U和N也是如此。像许多OCR引擎一样，Tesseract将使用许多不同的技术来识别字符，在字体中使用的笔画和曲线之间没有太大的区别。

这些字符，特别是大写字符，由于与标准的拉丁/罗马类型字符非常不同，会混淆许多不同的匹配算法。这在您的结果中表现出来，即所有大写字母都有OCR错误。

- Andrew Cash

Answer 2

我认为你需要更多的样本（字母）和更好的训练图像（干净的背景、灰度、300 DPI等）。首先尝试只使用一种字体（例如Lincoln）进行训练。您可以使用jTessBoxEditor工具生成您的训练图像并编辑框文件。

一旦您掌握了训练过程，就可以将其他字体添加到您的训练中。您可以通过在训练图像本身上执行OCR来测试所得语言数据的成功率--识别率应该很高。

font_properties中的字体名称应该是：

lincoln 0 0 0 0 1

- nguyenq

---

最终，我制作了更大的训练文件，并一遍又一遍地重复训练过程，直到它成功为止。感谢您的帮助。 - mlissner