TesseractOCR トレーニング その２

さて、前回の続き。
ここからは、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。

1. mftrainingの実行.（その１）
   

   mftraining -F font_properties -U unicharset [フォント名].tr
   

   もし複数の[フォント名].trがある場合、半角空白でつないで実行。
   

   mftraining -F font_properties -U unicharset [フォント名].tr [フォント名].tr [フォント名].tr ...以下略
   

   
   そうすると、以下のファイルが出来上がるみたい。（あとで使う）
   
   • mfunicharset
   • pffmtable
   • inttemp
   • Microfeat
   
   
2. mftrainingの実行.（その２）
   その１と似てるけど出力されるファイルが違う。
   

   mftraining -F font_properties -U unicharset -O jpn.unicharset unicharset [フォント名].tr
   

   これももし複数の[フォント名].trがある場合、半角空白でつないで実行。
   
   そうすると、以下のファイルが出来上がるみたい。（あとで使う）
   
   • jpn.unicharset
   
   
3. cntrainingの実行.
   

   cntraining [フォント名.tr]
   

   これももし複数の[フォント名].trがある場合、半角空白でつないで実行。
   
   以下のファイルが出来上がる。（あとで使う）
   
   • normproto
   
   
4. ファイル名変更.
   上記の手順で出来た以下のファイル名を変更（言語コードを付与する）。
   
   • mfunicharset
   • pffmtable
   • inttemp
   • Microfeat
   • normproto
   変更後↓
   
   • jpn.mfunicharset
   • jpn.pffmtable
   • jpn.inttemp
   • jpn.Microfeat
   • jpn.normproto
5. トレーニングデータファイルの作成.
   今までの手順で作成された各種ファイルを合成し、一つの言語トレーニングデータを作成する。
   

   combine_tessdata [言語.]
   

   最後の[.]（ドット）は必要みたい。日本語の場合なら、
   

   combine_tessdata jpn.
   

   こんな感じ。
   出来上がりはこれ。
   
   • [言語].traineddata（※上記の例の場合 jpn.traineddata）
6. 実際の言語データと入れ替え
   出来上がったファイルを TesseractOCRが使う言語データのディレクトリに移動。
   

   cp [言語].traineddata /usr/local/share/tessdata/
   

done!!!

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。

TesseractOCRを使ってみる。

仕事と関係ないんだけど、
画像認識やら音声認識やらの「ほにゃらら認識」に興味が沸いたのでちょっと手を出してみた。
GoogleのOCRプロジェクト：TesseractOCR
http://code.google.com/p/tesseract-ocr/


現在のバージョンは3.0.
どうやら日本語にも対応しているみたい。しかもトレーニング次第で認識率が上がるとか。
ほぅ。

せっかくさくらVPSもあることだし、とりあえずインスコ。

特に気をつけることもなくあっさりインストールできた。

気をつけるべきトコとしては、先に以下のライブラリを入れとくくらい。

yum install libpng-devel
yum install libjpeg-devel
yum install libtiff-devel
yum install zlib-devel

※ これだけで準備できてるんだけど、とりあえずLeptonicaも。画像処理のライブラリ.

wget http://www.leptonica.com/source/leptonica-1.68.tar.gz
tar -xvzf leptonica-1.68.tar.gz
cd leptonica-1.68
./configure
make
make install

さてと。準備は出来た。
ここからスタート。 Teseract本体、言語データのダウンロード。

1. ここから適当なところにソースを持ってくる。
   こんな感じ。
   

   $ wget http://tesseract-ocr.googlecode.com/files/tesseract-3.00.tar.gz
   $ wget http://tesseract-ocr.googlecode.com/files/jpn.traineddata.gz

2. 展開.
   

   $ tar xvzf tesseract-3.00.tar.gz

   $ gzip -d jpn.traineddata.gz

3. 
   言語データを移動..
   

   $ mv jpn.traineddata tesseract-3.00/tessdata

4. tesseract本体のディレクトリに移動し、インストール開始。
   

   $ cd tesseract-3.00
   $ ./configure
   $ make
   # make install 

使い方は、こんな感じ。（日本語）

$ tesseract hoge.tiff aaaa -l jpn

hoge.tiffから読み取った文字列をaaaa.txtに出力してくれる様子。

むむ・・・。とりあえず、トレーニングしてみるか。