algorithm - OCR纠错算法

Question

我正在对大量扫描文档进行数字化处理，使用 Tesseract 3 作为我的 OCR 引擎。其输出质量一般，因为它经常在实际文本前后产生乱码，并在文本中产生拼写错误。

对于前一个问题，似乎必须有策略来确定哪些文本实际上是文本，哪些文本不是(大部分文本都是人名之类的东西，所以我正在寻找除了查找之外的解决方案词典中的单词)。

对于拼写错误问题，大部分错误源于字母的一些错误分类(将 l、1 和 I 替换为一个另一个，例如)，似乎应该有一些方法来猜测哪些单词拼写错误(因为英语中没有太多单词中间有“1”)，并猜测适当的更正是什么。

这个领域的最佳实践是什么？是否有执行此类操作的算法的免费/开源实现？谷歌已经发表了很多论文，但具体的并不多。如果没有可用的实现，那么众多论文中的哪一篇是一个好的起点？

Answer 1

对于“确定哪些文本实际上是文本，哪些文本不是”，您可能需要查看来自开发 Tesseract (ISRI) 的同一部门的 rmgarbage。我写了一个 Perl implementation还有一个 Ruby 实现。对于 1 对 l 问题，我正在尝试使用 ocrspell(同样来自同一部门)，为此 their original source可用。

我只能发布两个链接，所以缺少的是:

• ocrspell : 在 dx.doi.org 输入“10.1007/PL00013558”]
• rmgarbage : 搜索“自动去除 OCR 文本中的垃圾字符串:一种实现”
• ruby implementation : 搜索“docsplit textcleaner”