java - 如何使用java忽略Tesseract OCR中的特殊字符

Question

我使用 java 通过 Tesseract OCR 从图像中提取文本。但输出由一些特殊字符组成，因为图像包含一些符号。

我想忽略所有特殊字符并仅显示文本。有什么办法可以做到这一点吗？

Answer 1

在tesseract中，您可以设置TessBaseAPI.VAR_CHAR_WHITELIST和TessBaseAPI.VAR_CHAR_BLACKLIST以忽略一些特殊字符。

以下将使 tesseract 只识别 A-Z 和数字

String whiteList = "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789";
tessBaseApi.setVariable(TessBaseAPI.VAR_CHAR_WHITELIST,whiteList);

下一个片段将允许您识别除 ~ 和 fl 之外的所有内容

String blackList = "~fl";
tessBaseApi.setVariable(TessBaseAPI.VAR_CHAR_BLACKLIST,blackList );

另请注意，如 tesseract github issue 中所述，您不能使用 tesseract 4.0 Alpha LSTM 将字符列入黑名单或白名单，相反，您应该使用您期望的字符来训练 LSTM图片。

当然，如果你愿意 - 你仍然可以使用 3.* 版本的 tesseract，它的 tessdata 位于 here