我想为印地语训练我的tesseract。我有许多具有特定字体的“印地语”书面文本图像,我想为这些图像训练tesseract ocr。有几次我尝试使用此链接https://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3训练tesseract。当我运行makebox命令时,它会提取box文件,但它会识别出像英语字符一样的字符。我不明白为什么会发生这种情况。请帮助我为印地语训练tesseract ocr。您可以在以下链接上查看示例图像。示例文件
我一直想自己训练一些字符集,并且一直在先收集信息。也许这些信息对你也有用。
您是否阅读了此文档:
http://blog.cedric.ws/how-to-train-tesseract-301
如果没有一个角色被认出来,恐怕你必须训练所有的角色。但是重要的步骤似乎是:
>
在makebox命令行中包含语言('eng')的指示(在您的情况下可能是'hin'。
注意tesseract的版本。我的印象是训练程序在最近的版本中一直在变化。
示例程序从图像中识别印地语
char并将相应的边界框值和相应的印地语char存储到一个文件中。
/*
* Char_OCR.cpp
*
* Created on: Jun 23, 2016
* Author: pratik
*/
#include <opencv2/opencv.hpp>
#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>
#include <iostream>
#include <fstream>
using namespace std;
using namespace cv;
void dumpIntoFile(const char *ocrResult , ofstream &myfile1 ,int x1, int y1,
int x2, int y2, int &);
int main(int argc ,char **argv)
{
Pix *image = pixRead(argv[1]);
if (image == 0) {
cout << "Cannot load input file!\n";
}
tesseract::TessBaseAPI tess;
if (tess.Init("/usr/share/tesseract/tessdata", "hin")) {
fprintf(stderr, "Could not initialize tesseract.\n");
exit(1);
}
tess.SetImage(image);
tess.Recognize(0);
tesseract::ResultIterator *ri = tess.GetIterator();
tesseract::PageIteratorLevel level = tesseract::RIL_SYMBOL;
cout << ri << endl;
ofstream myfile1("Word.txt");
myfile1 << "ID" << '\t' << "CORD_X" << '\t' << "CORD_Y" << '\t' <<
"CORD_W" << '\t' << "CORD_H" << '\t' << "STRING" << endl;
int i=1;
if(ri!=0)
{
do {
const char *word = ri->GetUTF8Text(level);
// cout << word << endl;
//float conf = ri->Confidence(level);
int x1, y1, x2, y2;
ri->BoundingBox(level, &x1, &y1, &x2, &y2);
dumpIntoFile(word, myfile1, x1, y1, x2, y2, i);
delete []word;
} while (ri->Next(level));
delete []ri;
}
}
void dumpIntoFile(const char *ocrResult , ofstream &myfile1 ,int x1, int y1,
int x2, int y2,int &i)
{
int length = strlen(ocrResult);
myfile1 << i++ << '\t' << x1 << '\t' << y1 << '\t' <<
x2 << '\t' << y2 << '\t' ;
//cout << "in the string (" << length << ") ::";
for(int j = 0; j < length && ocrResult[j] != '\n'; j++)
{
myfile1 << ocrResult[j];
}
myfile1 << endl;
}
目前TesseractAPI为大多数流行语言提供预训练的语言模型:
https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html