สร้าง Traindata สำหรับ OCR ด้วย Tesseract

 

     ในกระบวนการ Optical Character Recognition (OCR) นั้นจำเป็นจะต้องมีข้อมูลลักษณะ (Feature) ของตัวอักขระนั้นๆก่อน เพื่อนำมาประมวลผลเทียบเคียงกับข้อมูลที่ได้จากภาพ ข้อมูล Feature นี้นั้นได้มาจากการฝึกฝน (Train) ซึ่งค่อนข้างมีซับซ้อนในการพัฒนา ดังนั้นในบทความนี้จะใช้ Tool ที่ช่วยลดความยุ่งยากไปได้เยอะ โดยมีชื่อว่า Tesseract OCR

---

Tesseract OCR

     Tesseract OCR เป็น Engine ที่ใช้สำหรับการรู้จำอักขระทางภาพ พัฒนาขึ้นโดยบริษัท HP ระหว่างปี 1984-1985 โดยเริ่มต้นมาจากโปรเจควิจัยระดับปริญญาเอกในห้องปฏิบัติการณ์ HP โดยมีความตั้งใจเพื่อนำไปใช้กับงานเครื่องสแกนเนอร์เป็นหลัก ซึ่งในปี 2005 HP ก็ได้ปล่อยให้เป็น Open Source โดยมี google เป็นผู้สนับสนุน ซึ่งนักพัฒนาสามารถนำชุดคำสั่งนี้มาใช้งานได้ Tesseract นั้นถือว่าเป็นหนึ่งใน OCR Open Source ที่มีความแม่นยำสูง สามารถเข้าไปดาวน์โหลดได้ที่ https://code.google.com/p/tesseract-ocr/

---

Training Step

Step : 1
     สร้างไฟล์ box ซึ่งเป็นไฟล์ที่ใช้ระบุตำแหน่งของอักขระต่างๆ ที่อยู่ในรูปภาพที่จะนำมาใช้ฝึกฝน โดยตำแหน่งของอักขระจะถูกระบุเป็นพิกัด ซึ่งมีโปรแกรมที่แจกฟรีสำหรับการนำมาใช้สร้างไฟล์ box เช่น txt2img, jTessBoxEditor, Qt-box-editor ฯลฯ

หน้าตาโปรแกรมของ Qt-Box Editor
(Source : http://zdenop.github.io/qt-box-editor/)

Step : 2
     เมื่อมีไฟล์ box และรูปภาพที่ต้องการแล้ว ก็นำไฟล์ทั้งสองเข้าสู่ Tesseract-OCR โดยเรียกการใช้งานผ่าน command prompt โดยใช้คำสั่ง

tesseract tha.test_font.exp0.png tha.test_font.exp0.box nobatch box.train

Step : 3
     ใช้ utility unicharset_extractor เพื่อสร้างไฟล์ unicharset โดยใช้คำสั่ง

unicharset_extractor tha.test_font.exp0.box 

Step : 4
     สร้างไฟล์ font_properties ให้อยู่ใน directory เดียวกัน (เจ้าของบล๊อคใช้โปรแกรม Notepad++) โดยเซฟชื่อว่า tha.font_properties โดยข้อความภายในให้มีรูปแบบดังนี้

<fontname> <italic> <bold> <fixed> <serif> <fraktur>

โดย fontname คือ ชื่อของ font ที่เราต้องการจะ train ซึ่งในที่นี้คือ test_font ส่วน , , , และ นั้นเพียงแค่ระบุลักษณะตามต้องการเพียงแค่ใส่ 0 หรือ 1 เช่น test_font ที่ได้นำมา train นั้น ไม่ได้มีลักษณะพิเศษใดๆเลย จึงมีเพียงแค่

test_font 0 0 0 0 0

Step : 5
     ใช้คำสั่ง shapeclustering

shapeclustering -F font_properties -U unicharset tha.test_font.exp0.tr

Step : 6
     ใช้คำสั่ง mftraining

mftraining -F font_properties -U unicharset -O tha.unicharset tha.test_font.exp0.tr 

Step : 7
     ใช้คำสั่ง cntraining

cntraining tha.test_font.exp0.tr

Step : 8
     ใช้คำสั่ง combine_tessdata เป็นการสิ้นสุดของกระบวนการ

combine_tessdata tha.

เมื่อเสร็จเรียบร้อยแล้ว จะได้ไฟล์ tha.traineddata มา ซึ่งสามารถนำไปใช้เป็นไฟล์ข้อมูลสำหรับทำกระบวนการ OCR ได้