訓練tesseract-ocr3.00字典的步驟

前提條件：
tesseract-ocr3.00正常安裝
訓練步驟：
1.將要加入字典的圖片轉化爲.tif格式的圖片，文件的命名規則爲[lang].[fontname].exp[num].tif, 例如：eng.oms261.g4.tif，注意此處[fontname]命名不能相同。 再根據.tif格式圖片生成.box文件，命令：
 tesseract eng.oms261.g4.tif eng.oms261.g4 batch.nochop makebox
2.糾正.box文件中的錯誤，這裏可以使用工具，有不同的工具，根據環境不同選擇，Linux下推薦使用 moshPyTT(下載地址，http://code.google.com/p/moshpytt/)
3.根據生成的.box文件生成.tr文件。 命令：
 tesseract eng.oms261.g4.tif eng.oms261.g4 nobatch box.train
4.生成unicharset文件。 命令：
 unicharset_extractor eng.oms261.g4.box ...
注意：從5～9步驟必須在windows環境下進行，Linux下不支持，這是Tesseract-3.00的BUG.
5.生成 pffmtable, inttemp文件. 命令：
 mftraining -U unicharset -O lang.unicharset eng.oms261.g4.tr ...
6.生成 normproto文件。 命令 ：
 cntraining eng.oms261.g4.tr ...
7.將pffmtable，inttemp，normproto文件加前綴，手動改名爲: eng.pffmtable，eng.inttemp，eng.normproto, 前綴名與前面的命名保持一致。
8.字典文件和模糊校正文件可以提高OCR的識別率，我們可以獲得官方的eng.traindata的此文件， 命令：
 combine_tessdata -u tessdata/eng.traineddata path/eng.
此時語言包的所有文件都解壓了，挑出我們需要的
eng.unicharambigs
eng.punc-dawg
eng.word-dawg
eng.number-dawg
eng.freq-dawg
這些文件放到我們訓練字典的那個路徑.
9.合併訓練文件，命令：
 combine_tessdata eng.
得到我們最終訓練的文件