首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >在OCR编辑的文档中检测错误文本的最佳方法是什么?

问在OCR编辑的文档中检测错误文本的最佳方法是什么?
EN

Stack Overflow用户
提问于 2011-06-17 05:48:01
回答 2查看 817关注 0票数 3

是否有任何好的NLP或统计技术来检测OCR编辑的文本中的混淆字符?在我的头顶上,我在想,看n克在文本中的分布可能是一个很好的起点,但我对整个NLP域还很陌生。

以下是我到目前为止所看到的:

这篇文章大部分是用英语写的,但一般的解决办法会很好。文本目前是用Lucene索引的,所以任何关于基于术语的方法的想法都是有用的。

任何建议都会很好!谢谢!

EN

回答 2

Stack Overflow用户

回答已采纳

发布于 2011-06-17 07:13:52

是的,在这种情况下最有力的东西是Ngram。您应该在相关的文本语料库上收集它们(主题与OCR文本相同)。这个问题与拼写检查非常相似--如果小的字符变化会导致大概率的增加,那就是一个错误。检查本教程如何使用ngram进行拼写检查。

票数 4
EN

Stack Overflow用户

发布于 2011-06-17 12:32:29

我几年前就用过n克了,结果很不错。我使用了Apache Nutch的语言检测器,它使用word和intraword n克internally.Then,您的文本的“ngram配置文件”与培训材料的ngram配置文件进行了比较。除了语言之外,Nutch给出了一个分数/信心值,我使用了基于语言的硬手铐(应该是文档所使用的语言)和分数。保留了大部分乱七八糟的文本,但这在计算上有点昂贵。

票数 1
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/6381825

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档