使用OCR识别上标字符

Question

我已经开始了一个简单的项目，在这个项目中，它必须获得一个包含带有上标的文本的图像，然后通过使用OCR (目前我使用的是tesseract)，它必须识别上标字符+正常字符。

例如，我们有一个化学方程式，如Cl²，但当我使用测试血清来识别它时，它给出了Cl2 (全部在一行中)。

那么，这个问题的解决方案是什么呢？是否有其他OCR API能够读取上标？

Answer 1

这是一个非常好的问题，它涉及到任何OCR系统的更高级功能。

首先，确保您没有忽略该功能，即使它可能存在于OCR系统中。确保不是以普通的TXT格式查看测试结果，而是使用某种支持富文本的查看器。TXT查看器(如Windows上的记事本)通常不支持上标/下标字符，因此即使OCR为您提供正确的字符，查看器也可以将其转换为显示字符。如果你以编程方式访问文本结果，这就不是什么问题了，因为当你直接访问它时，你应该得到一个正确的下标字符值。请注意，查看器必须支持它，您才能真正看到它。如果您排除了这种可能的后处理转换，并确保没有从OCR返回下标，则它可能不支持它。

就像在此文本框中一样，在您的原始问题中，您试图给我们提供一个上标字符示例，但此文本框不接受它，即使您可以从其他地方复制/粘贴它。

许多OCR会将下标视为任何其他普通字符，如果他们能看到它的话。您使用的OCR需要具有实际生成上标/下标的技术能力，其中许多都是这样做的，但它们往往是商业OCR系统，这并不令人惊讶。

在回复这封信之前，我做了一个小测试。我为我的测试生成了一个带有一些上标/下标示例的图像(当然，EMC2是脑海中浮现的第一个示例:)。

你可以在这里找到我的测试图片：www.ocr-it.com/documents/superscript_subscript_test_page.tif

并使用所有默认设置通过OCR-IT OCR Cloud 2.0 API处理此图像，但导出为富文本格式，如MS Word .DOC。

你可以在这里找到我的测试图片：www.ocr-it.com/documents/superscript_subscript_test_page_result.doc

另请注意:当您对提取上标/下标字符感兴趣时，请分别关注您的图像质量，而不是典型的文本。这些字符很小，你需要足够的细节和分辨率才能达到下降的OCR质量。即使扫描到300dpi的图像，由于像素太少，有时也会出现字符太小的问题。如果你正在考虑移动和数码相机，这就变得更加重要了。

披露:我的专长是为不同规模的公司实现内部OCR解决方案。我的公司是WiseTREND。如果我能提供任何进一步的帮助，请直接联系我。