在图像中查找已知文本(引导OCR)

Question

我在寻找一种在图像中定位已知文本的方法。

具体来说，我正在创建一个工具，将一组扫描页面转换为支持搜索和copy+paste的PDF。我理解这通常是如何做到的: OCR页面，保留文本的位置，然后将文本作为不可见层添加到PDF中。Acrobat具有此功能，tesseract可以输出hOCR文件(包含识别的文本及其位置)，hocr2pdf可以使用这些文件生成文本层。

不幸的是，我的源图像质量相当低(最多150 DPI，有大量JPEG伪影，以及一些文本背后的非实心背景)，导致了相当差的OCR结果。但是，我确实有一个文本的副本(无照片和布局)，出现在每一页。

将已经知道的文本与扫描页面上的位置匹配起来似乎要容易得多，但我没有发现任何具有这种内置功能的软件。我如何利用现有的软件来做到这一点？

编辑:文字的大小和字体各不相同，尽管段落是一致的。

Answer 1

我突然想到的想法将是相互关联的。所以，我会把你知道发生在页面上的单词列表，一次一个地渲染到画布上，创建一个单词的图片。您将需要使用类似的字体和大小与文档中的单词--这是我在评论中要求的。然后，我会运行一个标准化的互相关字的图片与扫描的图像，看看它发生在哪里。我会用ImageMagick完成所有这些工作，这是Windows和OSX (在OSX上使用homebrew )提供的，并且包含在大多数Linux发行版中。

因此，让我们对你的问题的第二段进行屏幕抓取，并寻找单词pretty -在这里您提到了相当差的OCR。

首先，您需要将单词pretty呈现在白色背景上。命令将如下所示：

convert -background white -fill black -font Times -pointsize 14 label:pretty word.png

结果：

​

​

然后使用Fred来自这里的脚本执行标准化的互相关，如下所示：

normcrosscorr -p word.png scan.png correlation-result.png
Match Coords: (504,30) And Score In Range 0 to 1: (0.999803)

你可以看到匹配的坐标是504,30。

结果：

​

另一个想法

另一个想法可能是使用谷歌的Tesseract-OCR，并将标准字典替换为包含您正在处理的页面上的单词的文本文件。