Google Books如何找到文本区域？

Question

计算机视觉中一个具有挑战性的主题是处理文档扫描。通常，这涉及许多步骤，如噪声去除、颜色分析、二值化、文本块识别、OCR，然后可能还会进行一些上下文分析和校正。

我很好奇，有没有人能理解，知道或者能告诉我Google在OCR阶段之前是如何识别文本块的。有什么见解吗？

Answer 1

我相信谷歌将Tesseract OCR引擎与另一个名为Ocropus的工具结合使用，这两个工具都是开源的。我对它们是如何工作的一无所知，但您可能有兴趣查看上面的链接中提供的代码。

Answer 2

这是我的图书馆数字化专家提供的二手信息，但谷歌的方法似乎是通过自动化过程丢弃一切，ocr任何看起来像文本的东西，不要太在意裁剪单个图像或做太多语义分析来查找图像标题等。他们可能在做一些不明显的微妙事情，但从表面上看，他们肯定是在追求数量而不是质量，这对他们来说是明智的，为了他们的目的，IMO。