Tesseract OCR:获取文本和弦并提高最终OCR视频帧的质量

Question

我正在使用tesseract OCR来识别视频帧的文本。

我编写了一个程序，使用ffmpeg获取视频的所有主要帧，并对它们进行裁剪(用静态值)作为文本的中心(例如，它应该是字幕)。

我还使用了ImageMagick和TextCleaner脚本，它们像魔法一样提高了OCR的质量！

不管怎么说，有时候我的视频质量不太好，或者视频大小有点小，或者裁剪没有中间的文本(因为值是staitc)，而OCR的结果非常糟糕。

我的问题是:如何才能检测到文本的正确位置？这将提高OCR的质量，取得更好的效果。

如有任何建议，将不胜感激。谢谢。

Answer 1

您可以尝试使用边缘检测，也可以与其他方法结合使用。像这样(纯粹的边缘检测)：

convert            \
  big.jpg          \
  \(               \
      big.jpg -colorspace gray -edge 8 -negate \
  \)               \
 +append           \
 -resize 50%       \
  big-edge-8.png

或者：

convert            \
  big.jpg          \
  \(               \
      big.jpg -colorspace gray -edge 25 -negate \
  \)               \
 +append           \
 -resize 50%       \
  big-edge-25.png

以下是两个结果：

​

​

​

​

另一种选择是减少颜色的数量，应用对比度拉伸和(可选)阈值：

convert                 \
   big.jpg              \
  -colors 400           \
  -contrast-stretch 25% \
   colors-400-contraststretch-25.png

convert                 \
   big.jpg              \
  -colors 400           \
  -contrast-stretch 25% \
  -threshold 50%        \
   colors-400-contraststretch-25-threshold-50.png

​

​

更新：“精明”边缘检测

您可能还想使用-canny。它实现了“精明”边缘检测算法，并在ImageMagick中出现在6.8.9-0版本之后。将其与-contrast-stretch和-colorspace gray相结合

convert big.jpg         \
  -colorspace gray      \
  -contrast-stretch 45% \
  -canny 0x1+10%+30%    \
   canny1.png

convert big.jpg         \
  -colorspace gray      \
  -contrast-stretch 45% \
  -canny 0x2+10%+30%    \
   canny2.png

​

​