向Tesseract OCR引擎添加Blackletter字体支持

Question

我正在努力让林肯字体在Tesseract中工作，即使经历了wildly complicated training process之后，我也得到了糟糕的结果。

这是字体的样子，所以是的，这是一个有点棘手：

我精心制作训练图像，然后用，为了使文件箱。 The training image is here (25MB!)。图像是300 DPI，并有垂直和水平很好的代表性字符。

我为训练图像制作了一个盒子文件，它工作正常。我已使用a box file editor验证它是正确的。

我把这个盒子文件/ tif文件，并用它来创建训练数据。我也采用了Tesseract提供的30 or so other sample images/fonts。

我创建了unicharset文件。

我创建了一个font_properties文件。在网站上没有关于何时应该使用fraktur的指导。所以，我已经试过了两个这样（fraktur对林肯）：

eng.lincoln.box 0 0 0 0 1 

而且这种方式（fraktur关闭）：

eng.lincoln.box 0 0 0 0 0 

最后，我有和没有字典试过这种文件。当我使用字典文件时，它们是我的搜索引擎Sphinx的wordmap，它们有大约15K个常用字和大约20K个不常用字。

在所有情况下，当我尝试OCR第一对夫妇this file (3MB)时，质量很差。而不思：

United States Court of Appeals 
for the Federal Circuit 

我得到：

OniteiJ %tates C0urt of QppeaIs 
for the jfeI1eraICircuit 

为什么？

Answer 1

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）。首先尝试仅使用一种字体（例如，林肯）进行训练。您可以使用jTessBoxEditor工具来生成训练图像并编辑盒子文件。

一旦您掌握了培训流程，您可以将其他字体添加到您的培训中。您可以通过在训练图像本身上执行OCR来测试生成的语言数据的成功 - 识别率应该很高。

在font_properties字体名称应该是这样的：

林肯0 0 0 0 1

Answer 2

我不是Tesseract专家，但我已经评估几乎所有可用的OCR引擎，我的评论是基于多年来分析OCR错误的经验。

只是想知道为什么你的图像在背景中有斑点而不是纯白色背景。我不知道Tesseract或培训工具如何工作，但背景可能会导致一些问题。

只是阅读样本页面很困难，需要大量的注意力。像F和I这样的字符与U和N非常相似。与许多OCR引擎一样，Tesseract将使用许多不同的技术来识别字符，并且在笔划和曲线方面，许多这些字符之间没有太大的区别在字体中使用。

这些字符，尤其是大写字符会混淆许多不同的匹配算法，仅仅因为它们与标准拉丁/罗马字符类型非常不同。这显示了你的结果即通过。所有大写字母都有OCR错误。