【发布时间】：2012-11-05 01:01:01
【问题描述】：
我正在编写一个生成器，用于为 Tesseract OCR 训练图像。
在为 Tesseract OCR 的新字体生成训练图像时，最佳值是：
- DPI
- 以磅为单位的字体大小
- 字体是否应该抗锯齿
- 边界框是否适合：，或不适合：
【问题讨论】：
-
尝试使用 12 pts 和 300 dpi 的字体
【发布时间】：2012-11-05 01:01:01
【问题描述】：
tesseract 训练的好工具http://vietocr.sourceforge.net/training.html
这是一个很好的工具，因为它有很多优点
- 字母上的边界框可以通过基于 GUI 的界面进行编辑
- 自动创建所有需要文件
- 自动将freq-dawg、word-dawg、user-words（可以是空文件）、Inttemp、Normproto、Pffmtable、Unicharset、DangAmbigs（可以是空文件）、shapetable 等所有文件合并为单个
eng.traineddata文件。 - 新的训练数据可以与现有的tesseract文件一起使用
end.traineddata
【讨论】：
这里以某种方式回答了第二个问题：http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3#Generate_Training_Images 无需训练多种尺寸。 10点就可以了。 （一个例外是非常小的文本。如果您想识别 x 高度小于约 15 像素的文本，您应该专门训练它或在尝试识别它们之前缩放您的图像。）
问题 1 和 3：根据经验，我已成功使用 300 dpi 图像/非抗锯齿字体。更具体地说，我在训练 pdf 上使用了以下转换参数，生成了令人满意的图像：
convert -density 300 -depth 8 [input].pdf -background white -flatten +matte -compress none -monochrome [output].tif
但后来我尝试向 Tesseract 添加点字体，并且仅在我使用 150 dpi 图像时才能正确检测到字符。所以，我认为没有通用的解决方案，这取决于您要添加的字体类型。
【讨论】：
我找到了第 4 个问题的答案 - “边界框是否应该紧密贴合”。
似乎尽可能地拟合矩形可以得到更好的结果。
正如@Yaroslav 建议的那样，对于其他 12 pts 和 300 dpi 就足够了。我认为最好关闭抗锯齿功能。
【讨论】：