前段时间玩了一下 Tesseract OCR，结果可以看这篇文章。现在总结一下心得，希望对寻到这里读者也有帮助。
在训练时，第一个要确定的是怎么生成训练图像。我试过不同的字体渲染方式，最后决定还是用 Photoshop 生成，因为操作系统在渲染字体时加了彩色像素，如果直接抓屏取图，最后还是要处理成灰度的图像。第二个步骤是确定字体大小和图像的DPI值，我觉得这个要针对具体应用来决定，如果要识别手写字，图像应当和扫描仪扫出来的图像相近，如果要识别屏幕抓图，图像则应当和屏幕抓图相近。由此可以决定字体大小和图像DPI。
在训练过程中，Tesseract 经常抱怨 APPLY_BOXES 错误，我一开始浪费了许多时间更改字与字的间距。后来终于发现 -psm 这个参数，在运行时如果设置成 6 就可以解决这个识别问题，比如在生成 tr 文件时可以这样：
tesseract chi_sim.kaiti.exp1.png chi_sim.kaiti.exp1 -psm 6 nobatch box.train
个人觉得常用字符表可以有效的提高识别率，而且是最简单直接的办法。常用字在网上很多地方都有，只需要处理一下改成每个字单独一行，比如：
的
一
是
有
在
人
......
把这个文件存成 char_list，然后取最常用的字（比如排在前10%的字），剪切下来存到 frequent_char_list，注意是剪切，char_list 文件里不能再有这些最常用的字。然后生成 Tesseract 需要的 dawg 文件：
wordlist2dawg char_list chi_sim.word-dawg chi_sim.unicharset
wordlist2dawg frequent_char_list chi_sim.freq-dawg chi_sim.unicharset
这样一来，Tesseract 在识别的时候，会优先选择 frequent_char_list 里面的字。
在实际应用当中，我花了许多时间在提高识别率上，下面总结主要的几点：