Tesseract 训练比没有训练的结果更糟

Question

我使用了 tesseract-ocr 3.02.02 的 Windows 安装程序（我没有为 3.04 找到更新的安装程序）。我的图像是分辨率为 600dpi (3507x4960) 的 JPEG，它是扫描的空白“无法工作证明”。没有训练的 OCR 结果比训练后的准确得多。那我做错了什么？

这样我构建了我的盒子文件：

SET LANG=arbeitsunfaehigkeit
SET FONTNAME=hausarzt
SET TESSLANG=%LANG%.%FONTNAME%.exp0

tesseract %TESSLANG%.jpg %TESSLANG% -l deu batch.nochop makebox

使用 jTessBoxEditor 我手动修复了每个盒子。然后我开始训练：

SET LANG=arbeitsunfaehigkeit
SET FONTNAME=hausarzt
SET TESSLANG=%LANG%.%FONTNAME%.exp0

tesseract %TESSLANG%.jpg %TESSLANG% -l deu nobatch box.train

unicharset_extractor %TESSLANG%.box

shapeclustering -F font_properties -U unicharset %TESSLANG%.tr

mftraining -F font_properties -U unicharset -O %LANG%.unicharset %TESSLANG%.tr

cntraining %TESSLANG%.tr

MOVE inttemp %LANG%.inttemp
MOVE normproto %LANG%.normproto
MOVE pffmtable %LANG%.pffmtable
MOVE shapetable %LANG%.shapetable

combine_tessdata %LANG%.

COPY %LANG%.traineddata %TESSERACT_HOME%\tessdata /Y

未经训练的 OCR（存档最佳结果）的完成方式如下：

SET LANG=arbeitsunfaehigkeit
SET FONTNAME=hausarzt
SET TESSLANG=%LANG%.%FONTNAME%.exp0

tesseract %TESSLANG%.jpg without_training -l deu

使用训练数据：

SET LANG=arbeitsunfaehigkeit
SET FONTNAME=hausarzt
SET TESSLANG=%LANG%.%FONTNAME%.exp0

tesseract %TESSLANG%.jpg with_training -l %LANG%

也许我错了，但我期待一个完美的结果（我使用相同的 JPEG 进行训练和 OCRing）。

这里是without_training.txt的第一部分：

Paul Albrechts Verlag, 22952 Lütjensee Bei verspäteter Vorlage droht Krankengeldverlust!

Krankenkasse bzw. Kostenträger

Name, Vorname des Versicherten

geb. am

Kassen—Nr. Versicherten—Nr. Status

Betriebsstätten-Nr. Arzt—Nr. Datum

还有with_training.txt的第一部分：

Pau/A/brechrs Ver/ag, 22952 Lüfjensee Be! verspäteter vor!age droht Krankenge!dver!ust!

Krankenkasse bzw. Kostenträger

Name, Vorname des Versicherten

geb. am

Kassen-Nr. Versicherten-Nr. status

Betriebsstätten-Nr. Arzt-Nr. Datum

Answer 1

在我的例子中，添加语言“deu”就可以了：

tesseract %TESSLANG%.jpg with_training -l %LANG%+deu

而不是

tesseract %TESSLANG%.jpg with_training -l %LANG%