tesseract - 强制 Tesseract 匹配模式(连续四位数字)

Question

我试图让 Tesseract(使用 Tess4J 包装器)仅匹配特定模式。该模式是连续四位数字，我认为是\d\d​​\d\d。这是我正在提供 tesseract 的图像的一个非常小子集(平面图受到限制，所以我很谨慎地发布更多):http://mike724.com/view/a06771

我正在使用以下 java 代码:

    File imageFile = new File("/<redacted>/file.pdf");

    Tesseract instance = Tesseract.getInstance();
    instance.setTessVariable("load_system_dawg", "F");
    instance.setTessVariable("load_freq_dawg", "F");
    instance.setTessVariable("user_words_suffix", "");
    instance.setTessVariable("user_patterns_suffix", "\\d\\d\\d\\d");

    try {
        String result = instance.doOCR(imageFile);
        System.out.println(result);
    } catch (TesseractException e) {
        System.err.println(e.getMessage());
    }

我遇到的问题是 tesseract 似乎不支持这些配置选项，我仍然在结果中得到文本/单词。我希望只获得房间号(例如 2950)。

Answer 1

您没有正确配置。

user_patterns_suffix 用于指示包含您的模式的文本文件的文件扩展名，例如

user_patterns_suffix pats

意味着你需要在 tesseract tessdata 文件夹中放置一个文件

tessdata/eng.pats

...假设 eng 是您使用的语言。

在这里查看更多:

http://tesseract-ocr.googlecode.com/svn/trunk/doc/tesseract.1.html#_config_files_and_augmenting_with_user_data

我确实记得用户模式在模式前不能短于 6 个固定字符，因此您可能无法在任何情况下完成此操作 - 但请先尝试正确的配置。