1、参考资料
1.1 预备知识
在开始准备用于训练的图片之前，建议先看看官方Wiki的ImproveQuality提高图像质量的说明，重要几点是：
- Tesseract在DPI为至少为300 DPI的图像上效果最佳，所以需要考虑提高图片的DPI，一般图片默认的都是72 。
- 将图像转换为黑白（就是二值化）。
- 消除噪点（就是降低干扰）。
- 旋转（就是将文字尽量水平）。
- 移除不必要的边界（就是要适当裁剪图片）。
2、数据采集，手动矫正
1.生成tif文件：
打开jTessBoxEditor工具后，点击Tools，点Merge TIFF，
选中num-1文件夹中所有图片，点击打开。保存名：num.font.exp1.tif
2.生成bok文件：
tesseract num.font.exp1.tif num.font.exp1 batch.nochop makebox
3.字符和位置进行校正
使用jTessBoxEditor工具打开每个tif进行字符和位置校正，然后保存
4.生成TR文件
tesseract num.font.exp1.tif num.font.exp1 nobatch box.train
3 、生成训练模型数据
1. 新建字体特征文件
创建一个名称为font_properties的字体特征文件；
用记事本打开，输入以下下内容：font 0 0 0 0 0
这里全取值为0，表示字体不是粗体、斜体等等
2. 从所有文件中提取字符
unicharset_extractor num.font.exp1.box num.font.exp2.box num.font.exp3.box
3. 生成shape文件
shapeclustering -F font_properties -U unicharset num.font.exp1.tr num.font.exp2.tr num.font.exp3.tr
4. 生成聚集字符特征文件
mftraining -F font_properties -U unicharset -O unicharset num.font.exp1.tr num.font.exp2.tr num.font.exp3.tr
5. 合并所有tr文件
cntraining num.font.exp1.tr num.font.exp2.tr num.font.exp3.tr
6. 修改文件名
把训练过程创建的五个文件：shapetable，normproto，inttemp，pffmtable，unicharset，
用lang.为前缀重命名（例如num.）
7. 生成训练结果
combine_tessdata num.
4、测试
1. 将num.traineddata文件拷贝到C:\Program Files (x86)\Tesseract-OCR\tessdata目录下，
可以进行测试。
2.cmd输入测试指令：
tesseract 1.png result -l num
注意： 生成box文件时报错empty page：解决
利用text2image生成.tif和.box文件:
文字转相应字体图片:
text2image --text=0178232308.txt --outputbase="zth.font.exp0" --fontconfig_tmpdir="%temp%" --font="arial" --fonts_dir="C:\Windows\Fonts"
查找可用字体列表:
text2image --list_available_fonts --fontconfig_tmpdir="%temp%" --fonts_dir=C:/windows/fonts
5、Windows下编译Tesseract 3.05
5.1 源码编译库
动态库编译：
1. 下载安装cmake
2. 下载cppan
3. cmake编译：
cd tesseract
cppan （下载编译依赖）
mkdir build
cd build
cmake .. (或者使用cmake-gui进行编译)
4. 打开build文件夹，打开.sln工程，INSTALL安装编译生成库及应用程序
静态库编译：
1.修改libtesseract库工程配置：
配置属性-常规-配置类型（静态库）
配置属性-高级-目标文件拓展名（.lib）
配置属性-C/C++-代码生成器-运行库（MT）
注：MT表示静态库；MD表示动态库; MT/MD多个d表示调试模式
5.2 VC工程引用第三方库
动态库工程配置：
1.属性-VC++目录-包含目录（添加头文件目录）-库目录（动态库的lib文件目录，隐式调用）
2.链接器-输入-附加依赖项（动态库的lib文件名称）
3.拷贝dll文件到exe目录（或者设置dll目录）
静态库工程配置：
1.属性-VC++目录-包含目录（添加头文件目录）
2.链接器-常规-附加库目录（静态库lib文件目录）
3.链接器-输入-附加依赖项（静态库的lib文件名称）
注意： 动态链接库dll目录配置方法： 1.配置属性->调试->环境：输入path=包含dll文 件的文件夹路径（=左右不能有空格） 2.将dll文件拷贝到生成的.exe所在的文件夹中
调用示例：
#include <iostream>
#include <memory>
#include <allheaders.h> // leptonica main header for image io
#include <baseapi.h>
int main(int argc, char* argv[])
{
tesseract::TessBaseAPI tess;
//if (tess.Init("E:/OpenCV_DNN数据集/tessdata", "eng"))
if (tess.Init("C:\\Program Files (x86)\\tesseract\\tessdata", "num"))
{
std::cout << "OCRTesseract: Could not initialize tesseract." << std::endl;
return 1;
}
// setup
tess.SetPageSegMode(tesseract::PageSegMode::PSM_AUTO);
tess.SetVariable("save_best_choices", "T");
// read image
auto pixs = pixRead("4.png");
if (!pixs)
{
std::cout << "Cannot open input file: " << argv[1] << std::endl;
return 1;
}
// recognize
tess.SetImage(pixs);
tess.Recognize(0);
// get result and delete[] returned char* string
std::cout << std::unique_ptr<char[]>(tess.GetUTF8Text()).get() << std::endl;
// cleanup
tess.Clear();
pixDestroy(&pixs);
return 0;
}