ocr - 如何使 tesseract 在存在噪声的情况下给出相关结果？

Question

我正在使用 tesseract 3.0.0，我遇到了以下问题:

当某物太小以至于 tesseract 无法识别时，它似乎与其他片段。因此，不会返回任何相关内容。

下图显示了 3 个案例。只有带有虚线的矩形被传递给 tesseract。矩形上方是结果(V over T 表示换行)。

最后一个案例是有问题的。在这种情况下有什么办法可以改进 tesseract 吗？

Answer 1

据我所知，Tesseract 还没有适当的图像分割(或文档分析，因为它在商业 OCR 应用程序中被称为。)通常，在 OCR 完成之前，图像会在包含文本的单独区域上分割，图片、条码、线条等。然后，您仅将 OCR 应用于文本区域，而不会遇到您刚才描述的问题。

Tesseract 的早​​期版本根本没有该功能，并且 Tesseract 应该仅用作行识别器，或所谓的字段级识别器，当您将它用于从大图像剪切的小文本片段时。

我没有完全遵循 3.0 中引入的内容，可能它已经部分存在，但显然它没有按预期工作，正如您刚刚发现的那样。

还有另一个开源项目 - OCRopus，它完全按照我的描述解决了这个问题 - 首先是 Document Analisys(又名 Segmentation)，然后才是 OCR。他们的早期版本实际上是在分析步骤完成后使用 Tesseract 进行 OCR。但后来他们引入了自己的 OCR(仍然不是很好)并将 Tesseract 插件支持移到了优先级列表中。

以下是您实际可以采取的措施来解决您的问题:

• 如果您的图像具有非常典型的结构，您可以尝试进行一些愚蠢的分割并在将图像传递给 Tesseract 之前自己从图像中剪切文本。但是，如果您希望支持各种各样的图像，那就算了。
• 您可以检查 OCRopus 并查看它们的分割是否适用于您的图像。如果是，那么您可以花一些时间让 OCRopus + Tesseract 协同工作。
• 好吧，如果您所做的不仅仅是为了好玩而且您珍惜自己的时间，我建议您考虑像 ABBYY 这样的真正的 OCR 引擎。您将获得开箱即用的分割和 OCR 的更高准确性，当然还有专业的客户支持。

免责声明:我为 ABBYY 工作