为Tesseract OCR创建培训图像

Question

我正在为Tesseract OCR编写图像培训生成器。

当生成训练图像为正方体OCR新的字体，什么是最好的值：

1. 的DPI
2. 在点的字体大小
3. 应的字体是反锯齿或不
4. 如若边框紧贴：，或不：

Answer 1

我找到了第四个问题的答案 - “边界框应该贴合”。

似乎尽可能地适合矩形给出更好的结果。

对于其他12点和300 dpi将足够好，如@雅罗斯拉夫建议。我认为抗锯齿更好地关闭。

Answer 2

第二个问题不知何故在这里回答：http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3#Generate_Training_Images 没有必要使用多种尺寸来训练。 10分会做。 （这是一个很小的例外，如果要识别x高度小于15像素的文本，则应该专门进行训练或在尝试识别它们之前缩放图像。）

问题1和3：根据经验，我已成功使用300 dpi图像/非反锯齿字体。更具体而言，我已经使用在训练PDF，其产生令人满意的图像以下转换参数：

convert -density 300 -depth 8 [input].pdf -background white -flatten +matte -compress none -monochrome [output].tif 

但是，我试图虚线字体添加到超正方体，当我使用了150只检测到字符正确dpi图像。所以，我不认为有一个通用的解决方案，它取决于你试图添加的字体的种类。

Answer 3

为正方体训练好工具http://vietocr.sourceforge.net/training.html

这是很好的工具，因为有许多优点

1. 在信边界框可以通过GUI编辑基于接口
2. 自动创建所有需要的文件
3. 自动将freq-dawg，word-dawg，用户词（可以是空文件），Inttemp，Normproto，Pffmtable，Unicharset，DangAmbigs（可以是空文件），shapetable e eng.traineddata文件。
4. 新的训练数据可以与现有的Tesseract文件中使用end.traineddata