- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我想从可能存在 OCR 错误的扫描文档中识别关键字。根据每个字符的关键字列表和置信度值及其扫描文档的替代项,我如何开发一种算法来可靠地识别关键字?
对于 OCR,我使用 Tesseract,它为每个字符及其最佳备选方案提供置信度值。所以对于每个单词,我都有一个这样的列表:
Word=order
[0] o (93%) [alts: 0 (90%), c (83%), e (82%)]
[1] r (96%)
[2] d (96%)
[3] e (90%) [alts: a (75%)]
[4] r (95%)
另一个包含 OCR 错误的示例:
Word=PaYmeHI (Payment would be correct)
[0] P (81%) [alts: p (78%), D (68%)]
[1] a (76%) [alts: 3 (73%), e (63%), ö (61%)]
[2] Y (87%) [alts: V (86%)]
[3] m (83%)
[4] E (71%) [alts: € (79%), 9 (72%), % (67%), e (65%), B (64%), G (64%)]
[5] H (76%) [alts: n (83%), D (74%), N (70%), ü (69%)]
[6] I (75%) [alts: t (69%), { (67%), 1 (65%), i (61%)]
如您所见,tesseract 并不总是选择百分比最高的结果 (4, 5)。
从浏览结果可以看出,大多数值高于 90% 的字符都是正确的。然而,糟糕的结果不一定包含替代列表中的正确字符(参见 [2],它应该是小写的 y
。
目前,我正在使用 Levenshtein 距离和字符串长度获取候选列表。此外,我排除了关键字 lev2 > 3
.这只是硬编码,因为我仍在寻找确定阈值的好方法。
int lev = getLevenshteinDistance(keyword, s);
int lev2 = getLevenshteinDistance(keyword.toLower(), s.toLower());
int len = Math.abs(keyword.length - s.length);
int x = lev + lev2 + len;
我按 x
对关键字列表进行排序, 以获得最有可能的结果。
所以首先,我正在寻找一种方法来根据 OCR 结果和字符串长度确定一个好的阈值。较短的字符串需要的阈值比较大的字符串低,并且 OCR 结果也可靠。以上面的例子为例:对于词序lev2 <= 1
, 就足够了,而对于 payment
至少lev2 <= 3
应计算。
其次,我如何确定剩下的候选词之一是否真的匹配这个词?万一lev == 0
当所有字符的置信度值为 >= 90
时这很明显。但考虑到糟糕的 OCR 结果,我可以开发什么算法来同时包含替代 OCR 选择?
最佳答案
我一直在为我的一个项目考虑类似的事情;我还没有得到任何好的答案,但这里有一些想法:
我想我们要回答的问题是:
此文档(OCR 结果)是否包含术语“订单”?
想法一
OCR 文档包含带有一些“分数”的术语 ...
因此在您的示例中,文档包含:
现在我们有了每个候选人的分数,我们可以得到文档的分数,给定一些查询(现在使用 levenshtein 距离......)
给定关键字“order”的文档得分是平均值
如果此分数高于某个阈值,则文档被视为匹配“订单”
想法 2
我们可以使用一些语言模型来改进 OCR 结果
按如下方式计算每个术语的分数:
term | ocr_score |ngram score |combined score
------------+-------------+-----------------------+---------------
order | 94 |score(ord, rde, der) |ocr*ngram
0rder | 93 |score(0rd, rde, der) |ocr*ngram
crder | 92 |score(crd, rde, der) |ocr*ngram
erder | 91 |score(erd, rde, der) |...
ordar | 91 |score(ord, rda, der) |...
0rdar | 90 |score(0rd, rda, der) |...
crdar | 89 |score(crd, rda, der) |...
erdar | 88 |score(erd, rda, der) |...
其中 score(ord) = 'ord' 的三元组概率
例如,Google Books 给出了任何三元组的三元组概率(参见: http://books.google.com/ngrams/chart?content=ord&corpus=0&smoothing=3&year_start=1970&year_end=2000 )
我们还可以计算一元组、二元组、四元组……;然后我们可以根据单词本身的“unigram”概率计算分数;单词的二元组等等......;那么我们也可以应用一些纯解析的语言模型
现在每个“候选术语”都有更多分数,我们将它们与每个分数的一些权重结合起来,以获得该术语的综合分数
想法 3
好的,所以上面的内容导致了术语/分数的爆炸式增长……这是计算密集型的;所以我们使用一些魔法根据想法 1 和 2 为每个术语构建概率 DFA。文档现在包含概率 DFA 而不是术语。 Lucene 的家伙已经做了一些工作来构建 Levenshtein DFA 并允许检查 DFA1 和 DFA2 是否快速匹配......
关于algorithm - 基于字典的关键字检测,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/10417156/
这是一个与 Get OS-Version in WinRT Metro App C# 相关的问题但不是它的重复项。 是否有任何选项可以从 Metro 应用程序检测系统上是否有可用的桌面功能?据我所知,
我想在闹钟响起时做点什么。例如, toast 或设置新闹钟。我正在寻找可以检测闹钟何时响起的东西。首先,我在寻找广播 Action ,但找不到。也许是我的错? 当闹钟响起时,还有其他方法可以做些什么吗
如果某个 JS 添加了一个突变观察者,其他 JS 是否有可能检测、删除、替换或更改该观察者?我担心的是,如果某些 JS 旨在破坏某些 DOM 元素而不被发现,那么 JS 可能想要摆脱任何观察该 DOM
Closed. This question does not meet Stack Overflow guidelines。它当前不接受答案。 想要改善这个问题吗?更新问题,以便将其作为on-topi
有没有办法在您的 Activity/应用程序中(以编程方式)知道用户已通过 USB 将您的手机连接到 PC? 最佳答案 有人建议使用 UMS_CONNECTED自最新版本的 Android 起已弃用
我正在想办法测量速度滚动事件,这将产生某种代表速度的数字(相对于所花费的时间,从滚动点 A 到点 B 的距离)。 我欢迎任何以伪代码形式提出的建议...... 我试图在网上找到有关此问题的信息,但找不
某些 JavaScript 是否可以检测 Skype 是否安装? 我问的原因是我想基于此更改链接的 href:如果未安装 Skype,则显示一个弹出窗口,解释 Skype 是什么以及如何安装它,如果已
我们正在为 OS X 制作一个使用 Quartz Events 移动光标的用户空间设备驱动程序,当游戏(尤其是在窗口模式下运行的游戏)无法正确捕获鼠标指针时,我们遇到了问题(= 将其包含/保留在其窗口
我可以在 Controller 中看到事件 $routeChangeStart,但我不知道如何告诉 Angular 留下来。我需要弹出类似“您要保存、删除还是取消吗?”的信息。如果用户选择取消,则停留
我正在解决一个问题,并且已经花了一些时间。问题陈述:给你一个正整数和负整数的数组。如果索引处的数字 n 为正,则向前移动 n 步。相反,如果为负数(-n),则向后移动 n 步。假设数组的第一个元素向前
我试图建立一个条件,其中 [i] 是 data.length 的值,问题是当有超过 1 个值时一切正常,但当只有 1 个值时,脚本不起作用。 out.href = data[i].hr
这是我的问题,我需要检测图像中的 bolt 和四分之一,我一直在搜索并找到 OpenCV,但据我所知它还没有在 Java 中。你们打算如何解决这个问题? 最佳答案 实际上有一个 OpenCV 的 Ja
是否可以检测 ping? IE。设备 1 ping 设备 2,我想要可以在设备 2 上运行的代码,该代码可以在设备 1 ping 设备时进行检测。 最佳答案 ping 实用程序使用的字面消息(“ICM
我每天多次运行构建脚本。我的感觉是我和我的同事花费了大量时间等待这个脚本执行。现在想知道:我们每天花多少时间等待脚本执行? .我可以对总体平均值感到满意,即使我真的很想拥有每天的数据(例如“上周一我们
我已经完成了对项目的编码,但是当我在客户端中提交了源代码时,就对它进行了测试,然后检测到内存泄漏。我已经在Instruments using Leaks中进行了测试。 我遇到的问题是AVPlayer和
我想我可以用 std.traits.functionAttributes 来做到这一点,但它不支持 static。对于任何类型的可调用对象(包含 opCall 的结构),我如何判断该可调用对象是否使用
我正在使用多核 R 包中的并行和收集函数来并行化简单的矩阵乘法代码。答案是正确的,但并行版本似乎与串行版本花费的时间相同。 我怀疑它仅在一个内核上运行(而不是在我的机器上可用的 8 个内核!)。有没有
我正在尝试在读取 csv 文件时编写一个这样的 if 语句: if row = [] or EOF: do stuff 我在网上搜索过,但找不到任何方法可以做到这一点。帮忙? 最佳答案 wit
我想捕捉一个 onFontSizeChange 事件然后做一些事情(比如重新渲染,因为浏览器已经改变了我的字体大小)。不幸的是,不存在这样的事件,所以我必须找到一种方法来做到这一点。 我见过有人在不可
我有一个使用 Windows 服务的 C# 应用程序,该服务并非始终打开,我希望能够在该服务启动和关闭时发送电子邮件通知。我已经编写了电子邮件脚本,但我似乎无法弄清楚如何检测服务状态更改。 我一直在阅
我是一名优秀的程序员,十分优秀!