さまざまな種類のグレースケール、画像の色の反転、サイズ変更、および代替の二値化戦略など、あまり進歩することなく、さらにいくつかの前処理のアイデアを試しました。これらのどれも、元のサイズ変更されていない二値化よりも改善されていません。最終的に、Tesseract のトレーニングを試してみることにしました。ここの指示に従いました:
Manual Tesseract Training Walkthrough
Windows 64 ビットで実際に動作するプログラムを見つけるのに苦労し、ほとんどの作業を手動で行うことになりました。jTessBoxEditor を使用して、手動で生成された .box ファイルを編集しましたが、テキスト エディターで編集を行って、ボックス ファイル ジェネレーターが見逃した欠落文字のエントリを追加しました。私は作業するこれらの小さな tiff しか持っていないので、私のトレーニング ファイルは Tesseract wiki のガイドラインを満たしていませんが、まあまあです。
box.train の使用時にいくつかのエラーが発生しました。
FAIL! apply_boxes BOXFILE LINE ... failure! COULDN'T FIND A MATCHING BLOB
非生産的なグーグル検索の後、私はそれらを無視して先に進むことにしました。
cntraining を実行しようとすると、さらにエラーが発生しました。
Error: Illegal number of feature sets!
signal_termination_handler:Error:Signal_termination_handler called:Code 3001
さらに非生産的なグーグル検索を行った後、基本的に、各 .tr ファイルを順番に省略して、どのファイルが問題の原因であるかを確認しようとしました。最終的に、1 つの欠落ファイルで cntraining を完了することができました。これが出力にどのような影響を与えるかはわかりませんが、無視して続行することにしました。
私は、combine_tessdata の実行中に別の問題に遭遇しました。
Error opening unicharset file
Error combining tessdata files into foo.traineddata
これは、unicharset ファイルの前に lang プレフィックスを付ける必要があったためで、チュートリアルでは指示されていませんでした。それを行った後、私は訓練されたデータファイルを正常に構築しました。それが機能するかどうかわからないので、それを tessdata ディレクトリにドロップし、言語を新しいトレーニング済み言語に切り替えて、もう一度試しました。
出来上がり、完璧でした。私の数字を100％の精度で認識しているようです（少なくとも私の限られたサンプルサイズ全体で）。私が行っている唯一の前処理は、画像の 2 値化であり、それ以上のクリーンアップや再スケーリングはありません。
したがって、明らかに小さな文字セットでは、手動でトレーニングする価値があります。機能するツールを見つけて、プロセスを進めるのに苦労するのに、おそらく3時間かかりました。参考までに、最初の投稿と同様の 14 個の tif から始めました。それらのうちの 4 つは、途中で何らかのエラーがありました。さらに、cntraining から省略した 1 つ (ただし、他のものからではありません..?) のように..トレーニング用の 9 枚と 2/3 枚の画像。私のキャラクターの一貫性のおかげで、それで十分だったようです.
