我正在对保存在我的数据库中的一些pdf,image,tiff文件进行tesseract转换。但是在这样做的同时,我从各种文件中得到了大量的垃圾文本输出。例如,在本例中,图像为我提供了以下文本输出。

“‘55“ .'Hï¬ï¬jï¬tï¬tf‘N‘Dfli’iisifagï¬'aï¬ffl‘rfé-wt-“ï¬â€˜-:-'!W',fl':ï¬fm:afJuirzv-int'g-v "3.0:†_‘ l 1: v .w
From:Beaver Medical Internal Med. 909 797 8922 06/28/2016 11:24 #946 RODS/006 如您所见,它在开头添加了一些额外的特殊字符。
我只想知道是否有任何控制参数可以从输出中删除这些特殊字符,因为许多输入文件都会发生这种情况。
注意:这不是原始图像,这只是我正在转换为文本的pdf截图的一部分,输出也是原始输出的一部分。
我的问题与Limit characters tesseract is looking for不同,因为这个问题是为了忽略字母以外的其他东西,但在我的例子中,输出文本中有一些不需要的字母和数字,在使用tessedit_char_whitelist abcdefghijklmnopqrstuvwxyz后,我需要删除它们,因为我仍然在输出文本的开头得到错误的文本he fhawfyhftiwlwwfuisipgkggfawfarwtwofrrletitwtfilfmjafgurrwsnnve mania a i v a an,而且它也删除了数字。所以我想问一下,有没有什么方法可以去掉开头出现的那些不需要的字母、特殊字符和数字。
发布于 2017-04-26 03:31:45
在tessdata/configs目录中创建配置文件(例如"letters") -通常是/usr/share/tesseract/tessdata/configs或/usr/share/tesseract-ocr/tessdata/configs
并将以下行添加到配置文件中:
tessedit_char_whitelist abcdefghijklmnopqrstuvwxyz ...or也许a-z行得通..dunno :-)然后像这样调用tesseract:
tesseract input.tif output nobatch letters 这将限制tesseract仅识别所需的字符
https://stackoverflow.com/questions/43603395
复制相似问题