← Back to branch summary

~ubuntu-branches/ubuntu/vivid/tesseract/vivid

« back to all changes in this revision

Viewing changes to doc/unicharset_extractor.1.xml

  • Committer: Package Import Robot
  • Author(s): Jeff Breidenbach
  • Date: 2014-02-03 11:10:20 UTC
  • mfrom: (1.3.1) (19.1.1 experimental)
  • Revision ID: package-import@ubuntu.com-20140203111020-igquodd7pjlp3uri
Tags: 3.03.01-1
* New upstream release, includes critical fix to PDF rendering
* Complete leptonlib transition (see bug #735509)
* Promote from experimental to unstable

Show diffs side-by-side

added added

removed removed

Lines of Context:
doc/unicharset_extractor.1.xml
 
1
<?xml version="1.0" encoding="UTF-8"?>
 
2
<!DOCTYPE refentry PUBLIC "-//OASIS//DTD DocBook XML V4.5//EN" "http://www.oasis-open.org/docbook/xml/4.5/docbookx.dtd">
 
3
<?asciidoc-toc?>
 
4
<?asciidoc-numbered?>
 
5
<refentry lang="en">
 
6
<refmeta>
 
7
<refentrytitle>unicharset_extractor</refentrytitle>
 
8
<manvolnum>1</manvolnum>
 
9
<refmiscinfo class="source">&nbsp;</refmiscinfo>
 
10
<refmiscinfo class="manual">&nbsp;</refmiscinfo>
 
11
</refmeta>
 
12
<refnamediv>
 
13
    <refname>unicharset_extractor</refname>
 
14
    <refpurpose>extract unicharset from Tesseract boxfiles</refpurpose>
 
15
</refnamediv>
 
16
<refsynopsisdiv id="_synopsis">
 
17
<simpara><emphasis role="strong">unicharset_extractor</emphasis> <emphasis>[-D dir]</emphasis> <emphasis>FILE</emphasis>&#8230;</simpara>
 
18
</refsynopsisdiv>
 
19
<refsect1 id="_description">
 
20
<title>DESCRIPTION</title>
 
21
<simpara>Tesseract needs to know the set of possible characters it can output.
 
22
To generate the unicharset data file, use the unicharset_extractor
 
23
program on the same training pages bounding box files as used for
 
24
clustering:</simpara>
 
25
<literallayout class="monospaced">unicharset_extractor fontfile_1.box fontfile_2.box ...</literallayout>
 
26
<simpara>The unicharset will be put into the file <emphasis>dir/unicharset</emphasis>, or simply
 
27
<emphasis>./unicharset</emphasis> if no output directory is provided.</simpara>
 
28
<simpara>Tesseract also needs to have access to character properties isalpha,
 
29
isdigit, isupper, islower, ispunctuation. all of this auxilury data
 
30
and more is encoded in this file. (See unicharset(5))</simpara>
 
31
<simpara>If your system supports the wctype functions, these values will be set
 
32
automatically by unicharset_extractor and there is no need to edit the
 
33
unicharset file. On some older systems (eg Windows 95), the unicharset
 
34
file must be edited by hand to add these property description codes.</simpara>
 
35
<simpara><emphasis role="strong">NOTE</emphasis> The unicharset file must be regenerated whenever inttemp, normproto
 
36
and pffmtable are generated (i.e. they must all be recreated when the box
 
37
file is changed) as they have to be in sync. This is made easier than in
 
38
previous versions by running unicharset_extractor before mftraining and
 
39
cntraining, and giving the unicharset to mftraining.</simpara>
 
40
</refsect1>
 
41
<refsect1 id="_see_also">
 
42
<title>SEE ALSO</title>
 
43
<simpara>tesseract(1), unicharset(5)</simpara>
 
44
<simpara><ulink url="http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3">http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3</ulink></simpara>
 
45
</refsect1>
 
46
<refsect1 id="_history">
 
47
<title>HISTORY</title>
 
48
<simpara>unicharset_extractor first appeared in Tesseract 2.00.</simpara>
 
49
</refsect1>
 
50
<refsect1 id="_copying">
 
51
<title>COPYING</title>
 
52
<simpara>Copyright (C) 2006, Google Inc.
 
53
Licensed under the Apache License, Version 2.0</simpara>
 
54
</refsect1>
 
55
<refsect1 id="_author">
 
56
<title>AUTHOR</title>
 
57
<simpara>The Tesseract OCR engine was written by Ray Smith and his research groups
 
58
at Hewlett Packard (1985-1995) and Google (2006-present).</simpara>
 
59
</refsect1>
 
60
</refentry>