c# - Tesseract OCR 水平读取而不是垂直读取 C#

Question

我们有一个 C# .Net 应用，它使用 Tesseract 对 .tiff 文件进行光学字符识别 (OCR)。这是一个例子:

然后我们将数据输出到文本文件。但是，Tesseract 正在以垂直方式读取数据。在我的示例图像中，它将 tiff 读取为两列数据，数据是从 Tesseract 输出的数据，如下所示:

类型:日期:地址:城市:状态:所有者:所有者类型:面积:抵押:123452017-04-06100 主街某个城市一些状态无名氏基本的10.25是的

我们想要的是 Tesseract 水平读取 tiff 文件并使输出看起来像这样:

类型:12345日期:2017-04-06地址:100 Main St.城市:某城市状态:一些状态所有者:John Doe所有者类型:初级面积:10.25抵押:有

我们已经为 Tesseract 尝试了各种 Page Sementation 选项，但它们都产生了相同的结果。

有人遇到过同样的问题吗？有人有什么想法吗？

Answer 1

我找到了一个解决方案。 Tesseract 有一组配置文件。其中几个配置文件中包含设置 tessedit_pageseg_mode。此设置在所有配置文件中都设置为 1。 1=使用 OSD 进行自动页面分割。 OSD=方向和脚本检测。

最重要的是，这些配置文件设置覆盖了我们的命令行参数。一旦我从配置文件中删除了 tessedit_pageseg_mode 参数，我们的命令行参数

-psm 6 工作并以所需格式生成输出数据。

psm=页面分割模式。 6=假设一个统一的文本 block

-psm 4 也有效

psm=页面分割模式。 4=假设一列可变大小的文本