TesseractOCR トレーニング その１

とりあえずココを読む。

■ Tesseract Training Wiki

http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3

なるほど。結構めんどくさい...。
以下にまとめ。

1. トレーニング用の画像の準備
2. .boxファイルの作成.
   

   tesseract [画像ファイル名] [作成するboxファイル名(拡張子なし)]  -l jpn batch.nochop makebox

   TessractOCRが、トレーニング用の画像から大体の枠を読み取り、boxファイル（1文字毎の枠を定義したテキストファイル）を作成してくれるみたい。
   
3. 作成されたboxファイルの確認・調整
4. unicharsetファイルの作成
   前手順までに作成されたboxファイル（複数可 半角スペース区切り）を指定
   

   unicharset_extractor [boxファイル名] [boxファイル名] [boxファイル名]

5. font_propertiesファイルの作成. ver3.01から必須(？)
   tesseractが、trainingに使用するフォントの概要を知るためのファイル。...多分。
   ファイルの内容：
   

   [フォント名] [italic] [bold] [fixed] [serif] [fraktur]

   サンプル：IPAexゴシック、IPAex明朝なら：
   

   ipaexg 0 0 0 0 0
   ipaexm 0 0 0 0 0 

6. trファイルの作成.
   

   tesseract [画像ファイル名] [boxファイル名(拡張子なし)] nobatch box.train.stderr

   例：
   

   tesseract jpn.ipaexg.exp19.TIF jpn.ipaexg.exp19 nobatch box.train.stderr

   これにより、xxxx.trファイルができる。
   
   
   これ、結構つまづいた。
   とりあえず、フォントサイズ大きめに作ろうと思ってやっていたら、
   なんだか
   FAILURE!　Couldn't find a matching blob
   がでる。。ようわからん。
   
   部首ごとにマッチしちまってるのか、サイズがでかすぎるだけなのか・・・。
   （そのときは、1文字あたりのサイズを40ptで作成した画像で実行した）
   ためしに、20ptで画像作成＆実行しなおしたら、見事解決。
   16ptとかがベストかも。（根拠無いけど。なんとなく。）文字の間隔とかもかなり影響するかと。
7. trファイルの結合.
   前手順までに作成されたtrファイル（複数可 半角スペース区切り）を指定
   

   cat [trファイル] [trファイル] [trファイル] … > [フォント名].tr

   こんなかんじ。
   

   cat jpn.ipaexg.exp1.tr jpn.ipaexg.exp2.tr jpn.ipaexg.exp3.tr >ipaexg.tr

ふぅ。
ここまでで一段落。
（フォント別の）学習データ作成準備が完了。
次の段階は、フォント毎にまとめられた「trファイル」を使ってTesseractに学習させる。