如何提高文本识别usingTesseract OCR。？

Question

我在I中实现了文本识别的tesseract ocr，对输入图像进行了预处理，给出了Tesseract method.It，识别效果较差。

步骤：

1.侵蚀功能

2.扩张功能

3.Bitwise_not函数

 Mat MCRregion;
 cv::dilate ( MCRregion, MCRregion, 24);
 cv::erode ( MCRregion, MCRregion, 24);
 cv::bitwise_not(MCRregion, MCRregion);

 UIImage * croppedMCRregion = [self UIImageFromCVMat:MCRregion];

    Tesseract* tesseract = [[Tesseract alloc] initWithDataPath:@"tessdata" language:@"eng"];
    [tesseract setVariableValue:@"0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz.>,'`;-:</" forKey:@"tessedit_char_whitelist"];
    [tesseract setImage:[self UIImageFromCVMat:MCRregion]];
    //                [tesseract setImage:image];
    [tesseract recognize];

    NSLog(@"%@", [tesseract recognizedText]);

输入图像：

图像链接

1.如何利用Tesseract提高文本识别率？

2.在Tesseract中是否有其他预处理步骤。

3.展开文本是否在Tesseract OCR中完成？

Answer 1

Tesseract是一款高度可配置的软件--尽管它的配置文档很少(除非您想深入挖掘150 K代码行)。这里有一个很好的综合清单，http://www.sk-spell.sk.cx/tesseract-ocr-parameters-in-302-version。

还可以看看https://code.google.com/p/tesseract-ocr/wiki/ControlParams和https://code.google.com/p/tesseract-ocr/wiki/ImproveQuality

如果您提供更多关于OCR‘正在运行的数据的信息，您可以极大地提高质量。例如，如果图像都是符合某些标准MRZ格式的国家ID或护照，您可以配置tesseract来使用该信息。

对于您附加的图像( MRZ)，我得到了以下结果，

IDFRADOUEL<<<<<<<<<<<<<<<<<<<<9320 
05O693202O438CHRISTIANE<<N1Z90620<3

通过使用以下配置

# disable dict, freq tables etc which would distract OCR'ing an MRZ
load_system_dawg F
load_freq_dawg F
load_unambig_dawg F
load_punc_dawg F
load_number_dawg F
load_fixed_length_dawgs F
load_bigram_dawg F
wordrec_enable_assoc F

# mrz allows only these chars
tessedit_char_whitelist 0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ<

还请注意，您的安装是经过培训的字体，以获得更准确的结果。在你的情况下，它似乎是OCR字体。

Answer 2

没有必要完成再培训Tesseract这一繁琐的任务。是的，你会得到更好的结果，但在某些情况下，你可以取得相当远的ENG培训集。

你可以通过注意以下几点来提高你的结果：

1. 使用二值图像作为输入，并确保在白色背景上有黑色文本。
2. 默认情况下，Tesseract将尝试从没有间隔的事物中生成单词。试着将每个字符分开分割，并将它们放置在一个新的图像中，有很大的间距。特别是当你有字母和数字的组合时，Tesseract会“修正”这个来匹配周围的字符。
3. 尝试用白名单分割你的图像的不同部分，你知道应该在那里的字符。如果您在第一部分中只查找数字，那么使用Tesseract的单独实例来检测这些数字，只使用数字白名单。
4. 如果您多次使用同一个对象而不重置它，Tesseract似乎有一个内存。这意味着每次执行OCR时都可以得到不同的结果。您可以重置Tesseract来对抗这种情况，或者只是创建一个新的对象。
5. 最后但并非最不重要的一点是，使用resultIterator来检查Tesseract可能给出的盒子。您可以检查每个字符的大小和可信度，并相应地进行筛选。

Answer 3

根据我的经验：

1.如何利用Tesseract提高文本识别率？

• 首先是预处理。确保输入图像是具有良好阈值的二值图像。OpenCV有一套很好的功能，可以应用Otsu算法和轮廓检测等阈值算法来帮助翘曲和旋转。
• 您还可以在OpenCV中使用轮廓检测来区分文本行。
• 一些滤波也会消除噪音，这往往会混淆和增加处理时间。
• 为tesseract (例如eng.config)设置适当的配置。这里的全部吐露(http://www.sk-spell.sk.cx/tesseract-ocr-parameters-in-302-version)。一些例子包括黑名单，白名单，切碎等等.
• 用适当的旗子。例如，如果您正在执行文本块而不是行，则为-psm 6。
• 训练了我自己的语言数据..。我想说，只有当你有大量的时间和资源时，才这么做。或者你的字体非常特殊(例如点矩阵)。
• 较新版本的Tesseract (接近3.0)允许在相同的传递(-l one+two)中使用多语言文件。这意味着你可以有一个经过专门训练的文字和另一个数字。在我们的例子中，它似乎运行得很好。
• 对试验结果的后处理对我们也特别重要。字符串替换典型的错误识别和什么不是。

2.在Tesseract中是否有其他预处理步骤。

Tesseract使用轻子库进行预处理。

3.展开文本是否在Tesseract OCR中完成？

我倾向于认为是的。考虑到翘曲功能是轻子的一部分。