ocr - OCR和2或3种字体之间的区别

Question

假设我有一个黑白图像的文档，仅使用2或3种字体。标题使用3个字符之一，而另一个则是小字体（或至少很普通）。例如，一小段文字可能是：

Fancy/Bolded/Italicized/Script font: The Best Soup In The World
Plain/small: Made with tap water, salt, and sugar.

Fancy/Bolded/Italicized/Script font: The Best Soup and 1/2 Sandwich In The World
Plain/small: Made with flour, tap water, salt, and sugar.

我不需要大型的OCR系统，它可以告诉我“最佳汤”使用斜体/等特殊的特殊字体。我只需要一个系统，可以告诉我“最佳汤”的格式与“自来水”的格式完全不同，“最佳汤”和“三明治”可能使用相同的格式，“三明治”比“自来水”更大/更漂亮水。”

如果需要的话，我将使用Tesseract进行实际的OCR和边界框检测（http://www.mail-archive.com/tesseract-ocr@googlegroups.com/msg02157.html）。

有什么可以用来做这种简单的格式分类的东西吗？

编辑：

有没有什么可以做到的，而又不会花费我一条胳膊和一条腿？

Answer 1

我不确定tesseract是否可以解决您描述的任务，但是我相信好的ocr引擎应该可以检测字体样式。例如，ABBYY OCR SDK不仅可以识别粗体/斜体字体样式，还可以定义要在输出中使用的正确字体。

根据您的描述，我想您正在尝试确定文档样式层次结构，例如标题级别等。ABBYYFineReader Engine提供了此功能，并且您没有参与基于字体大小和样式的文本用途例程。此外，它提供了最佳的ocr质量，并且可以免费试用。如果您计划商业软件，请考虑尝试一下。我在ABBYY工作，如有必要，可以为您提供更多OCR SDK信息。

最好的祝福。