前言
随着越来越多的人开始关注文本识别领域，Tesseract 成为了最为受欢迎的开源 OCR 引擎之一。而她的一个重要组成部分就是训练数据（Tessdata）。Tessdata 中包含了 Tesseract 进行识别所需要的字符和词语的信息。然而，对于一些特殊场景，如中文文本的 OCR，官方提供的 Tessdata 并不能满足我们的需求。因此，我们需要自行训练模型并生成 Tessdata。
在这个过程中，我们需要使用到的一款工具就是 Tesseract-Bos-Shell。又因为 Bos 可以代表 Best OCR Settings，因此，这个工具可以帮助我们获取最佳的 OCR 设置，训练我们的模型，最终生成我们需要的 Tessdata。而我们使用的 Tesseract-Bos-Shell，也就是本文要介绍的 npm 包 @tessdata/bos，是 Tesseract-Bos-Shell 的 Node.js 封装。
在本文中，我们将针对不同场景展示 @tessdata/bos 的使用方法，以便读者们快速上手使用。
安装
在使用 @tessdata/bos 前，我们需要在项目中安装该模块和一些必要的依赖。
npm install @tessdata/bos tesseract.js leptonica
其中，tesseract.js 和 leptonica 分别是 Tesseract 的 JavaScript 封装和图像处理库。不过，在这篇文章中，我们将不再涉及 tesseract.js 和 leptonica 的使用细节，主要关注 @tessdata/bos 的使用。
使用场景一：获取 OCR 设置
我们先来简单介绍一下工具箱的用法。
bos box -p <pages-dir> -o <output-dir>
该命令主要用于获取 OCR 设置，其大致过程如下：
- 根据传入的
<pages-dir>中的样本图像，计算每个字符的特征值。 - 根据特征值，针对样本图像中的文字，计算最适合的 OCR 设置。
- 将这些设置写入到
<output-dir>/bos_best_configs文件夹下。
假设我们有如下的样本图像和正确的标注：
对于这个例子，我们可以使用下面的代码来获取 OCR 设置：
-- -------------------- ---- -------
----- - ---- - - ------------------------
----- --- - ------------------------
----- -------- - ---------
----- --------- - -------
--------- --- -- ----------- -- -------------- ----- ------- ------- -- -
-- ---- -- ------- -
----------------- -- -------
- ---- -
----- ------- - -------------------------------
--------------------
-
--其中，bos.parseBestConfigs 用于解析结果文件，并将结果转化为简单易用的对象。执行结果输出如下：
{
"tessedit_char_blacklist": "|\\/・|?°()[]{}\>\<",
"tessedit_unrej_any_wd": true,
"textord_force_make_prop_words": true,
"textord_tabfind_find_tables": false
}在使用这些设置进行识别之前，我们还需要训练模型并生成 Tessdata。这个过程可能需要一些时间，具体过程会在后面介绍。
使用场景二：基于 OCR 设置识别图像
在获取 OCR 设置之后，我们就可以运用这些设置，进行 OCR 识别了。下面，我们将演示如何将这些 OCR 设置应用在图像中。
首先，我们需要准备一个带有图像文字的示例图像。
-- -------------------- ---- -------
----- - ------------ - - -----------------------
----- --- - ---------------------------------------------------
-------------------------- -- -
--------------------- -
----- ----------
---------- ----- - ---- - -- -- -
-----------------
--
--这段代码使用 tesseract.js 对图像进行了 OCR 识别，并将识别结果输出到控制台。但是，由于是官方提供的 Tessdata，所以在对含有一些生僻字或特殊场景的文本进行识别时，会表现得不是非常好。不过，我们可以运用 @tessdata/bos 获取到的 OCR 设置来提升识别的准确性。
-- -------------------- ---- -------
----- - ------------ - - -----------------------
----- --- - ------------------------
----- --- - ---------------------------------------------------
----- ---------- - -----------------------------
-------------------------- -- -
--------------------- -
----- ----------
------------------------ -----------------------------------
---------------------- ---------------------------------
------------------------------ -----------------------------------------
---------------------------- ---------------------------------------
---------- ----- - ---- - -- -- -
-----------------
--
--在这个例子中，我们使用 bos.parseBestConfigs 方法来解析文件夹中的 OCR 设置。另外，我们还可以根据不同的场景，对获取到的设置进行调整。
使用场景三：生成 Tessdata
在获取到 OCR 设置之后，我们需要使用这些识别策略，来训练我们自己的 OCR 模型。Tesseract 的主要训练流程可以分为以下几个步骤：
- 合并所有训练数据
- 根据字符读入字符图像，并对字符切片
- 将字符切片放置到模板中
- 产生随机样本，并根据 OCR 设置生成新模型
- 对模型进行评估
- 重复步骤 4 和 5，直到模型评估达到预定义的水平
- 根据模型，生成 Tessdata 文件
其中，步骤 7 就是最终要实现的目标，也是使用 @tessdata/bos 的重点。
假如我们已经汇总了我们的训练数据，我们可以使用 bos makebox 生成字符切片，具体使用方法如下：
bos makebox <img-file> <box-file>
在这个例子中，<img-file> 是表示图像文件路径，<box-file> 是将要生成的字符切片文件路径。除此之外，bos 还提供了一系列参数，可以手动调整字符切片策略。
通过下面的代码，我们可以举例说明如何使用 bos 进行训练，并生成 Tessdata：
-- -------------------- ---- -------
----- - ---- - - ------------------------
----- --- - ------------------------
----- -------- - ---------
----- ---------- - -------
--------- ------------- ----------- ----------------------------
--------- ---------- ----------- ----------------
--------- ------- -------------------------- -------------------- -- -------- -- ---------
--------- -------- ------------------------ ----- ------- ------- -- -
-- ---- -- ------- -
----------------- -- -------
- ---- -
-------------------
----- ------- - ----------------------------------
--------------------
-
--相比于第一个场景，我们多了几个步骤。首先，我们运用 bos combine_tiffs 将多张图像拼接到一起，方便后续处理。然后，我们运用 bos gen_textbx 为这些图像生成对应的字符切片。最后，我们使用 bos makebox 生成个个字符的字符切片文件，作为后续训练的输入。关于 bos lstmeval，这是用于评估模型识别准确率的命令。
由于训练时间比较长，因此在这里，我们不会介绍整个训练流程的具体实现细节。不过读者们可以参考 tesseract.js 提供的 OCR 训练文档，使用 @tessdata/bos 更便捷地训练模型。
总结
在本文章中，我们介绍了如何使用 npm 包 @tessdata/bos 来辅助进行 OCR 模型训练。
针对不同场景，我们演示了如何使用 bos 获取最佳 OCR 设置，如何应用 OCR 设置进行 OCR 识别，以及如何生成对应的 Tessdata 文件。
使用 @tessdata/bos，我们可以轻松从底层开始，在实践中提升我们的 OCR 级别。当然，这样的技术成果无论在学术研究、还是市场需求上都有着广泛的应用，值得我们进一步探究。
来源：JavaScript中文网 ，转载请注明来源 https://www.javascriptcn.com/post/6005624a81e8991b448df8bb