"Aggiungere" nuovi caratteri a Tesseract eng.traineddata

Question

Per quanto ne so, Tesseract 3.x viene fornito con 6 caratteri inglesi (correggimi se sbaglio). Devo addestrare Tesseract per altri 5 tipi di caratteri. Ho bisogno solo di lettere maiuscole e cifre (senza caratteri speciali o simboli).

ho seguito vari processi per esempio: Adding New Fonts to Tesseract 3 OCR Engine

e strumenti utilizzati anche per automatizzare il processo come Serak Tesseract Trainer for Tesseract 3.02

Per generare file scatola ho usato QT Box Editor

Dopo usando strumenti sopra ottengo eng.traineddata file. Tutti i tutorial mi dicono di aggiungere questo file alla cartella Tesseract-OCR\tessdata, ma così facendo sostituirà il file originale eng.traineddata. Dopo averlo fatto, perderò i font predefiniti forniti con Tesseract 3.x?

Come posso aggiungere nuovi caratteri? Non è ancora chiaro per me. Spero che qualcuno possa aiutarmi qui. Grazie.

Answer 1

Utilizzare un nome diverso, ad esempio eng1.traineddata. In questo modo è possibile utilizzare i nuovi dati con quello originale specificando l'opzione lingua -l eng+eng1.

Answer 2

Se si dispone di nuovi dati addestrati con caratteri diversi, penso che non si disponga della correzione del dizionario per il nuovo carattere.

Per aggiungere nuovi dati addestrato si può fare questo (sto usando il codice PHP qui)

// as you new trained data, it must be 3 letter prefix 
// what ever 3 letter you want 
$languange = "eng+deu"; 
$settingLanguage = $tesseract -> setLanguage($language) ; 

Vedendo la funzione tesseract.php setLanguage(), è possibile impostare la lingua da quella funzione.