Tesseract 训练识别字符的思路

Tesseract 是一个很流行的 OCR 软件，能够用来较好的识别印刷字体。
在默认情况下，通过该软件识别字符，其准确率不是很高，就需要额外做些优化。
优化思路如下：

1. 限定要识别的字符范围，方法是通过参数：tessedit_char_whitelist，类似的还有黑名单
2. 优化识别单个字符的准确率

其中中对于第二点，从工作原理上，OCR 获取到的是图片。其操作步骤为：

1. 通过二值化和去噪点使得图片的内容更加突出，为下一步定位字符做预备
2. 从图片中定位出文字，理想情况下能够定位到单个字符
3. 获取定位到的字符，将其特征和特征数据进行对比，从而判断是什么字符

这里的对比关键有两个。

• 判断是什么语言，譬如是中文还是日文还是英文，这包括有哪些字符，有哪些单词（词语），这个会限定和优化匹配结果。
• 判断字形对应的字符。如我们所知道的那样，对指定的字而言，不同的字体其表现出来的样子是非常不一样的。OCR的任务就是将定位到的字符字形特征和其自己已知的特征进行比较，从而判断出来该字符是什么。以我的了解，OCR本身在识别的时候是无法指定要识别的字体，而且其所有的字体的特征都放在同一个文件里面。如果要识别的字体特征不在 OCR 本身的特征列表里面，那么识别的准确率肯定就堪忧了。

对于上述中增加一种字体的支持，可以参考官方文档。这里简述其步骤。

1. 获取或者生成包括这种字体的图片，转化成 tif 格式（注意，最好每个字符出现频率不少于10次）
2. 通过 tesseract 的 makebox 命令定位和识别字符，生成 box 文件（注意：可以限定要识别的字符清单以提高准确性和效率）
   box 文件里包括了识别出来的字符以及其在图片中的位置
3. 通过 jTessBoxEditor 等工具矫正识别出来的字符，也可以手动编辑 box 文件来修复
4. 更具 box 文件和 tif 文件进行特征提取和训练
5. 生成训练数据

参考链接：
https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract-3.03%E2%80%933.05#generate-training-images-and-box-files
https://michaeljaylissner.com/posts/2012/02/11/adding-new-fonts-to-tesseract-3-ocr-engine/