c++ - Tesseract 虚假空间识别

Question

我正在使用 tesseract 来识别序列号。这工作可接受，常见问题如错误识别零和“O”，6 和 5，或 M 和 H 存在。除了这个 tesseract 之外，还为识别出的单词添加了空格，而图像中没有空格。下图被识别为"HI 3H"。

此图像生成“FBKHJ 1R1”

所以 tesseract 添加了一个空格，尽管图像中并没有真正的空格。是否有可能参数化 tesseract 的间距行为？

编辑

对不起，忘了补充，我也有包含空格的序列号。所以我无法删除识别序列号内的所有空格。

例如下图序列号中有空格，tesseract识别后结果为:J4 F1583BB。除了对字符的识别是错误的之外，这个图像的空间识别是正确的。

我的 tesseract 实际参数是:

tesseract::TessBaseAPI tess;
tess.Init(NULL, "eng", tesseract::OEM_TESSERACT_ONLY);
tess.SetPageSegMode(tesseract::PSM_SINGLE_BLOCK);
tess.SetVariable("tessedit_char_whitelist",
            "ABCDEFGHIJKLMNOPQRSTUVWXYZ012345789");

char* out = tess.GetUTF8Text();
string text = string(out);

编辑

从现有答案中可以看出，例如“J”和“I”之间的空格似乎比其他字符之间的空格多一点。我选择的字体类型是 Monotype 字体。这样做的原因是我认为，这有助于 tesseract 进行字符识别。这种每个字符都具有相同宽度的 Monospace 字体类型的缺点是内核(字符之间的空间)不同。请参阅以下来源的示例图像 Source

您认为哪种字体类型的识别效果会更好？

Answer 1

调整参数 tosp_min_sane_kn_sp 可能会有帮助。我通过这样做解决了问题。

如果没有帮助，您可以尝试其他tosp_* 参数，或者绕过空间源代码“tospace.cpp”