文本框文件 Tesseract 4.0答案

【问题标题】：Textline Box Files Tesseract 4.0文本框文件 Tesseract 4.0
【发布时间】：2018-11-26 19:45:07
【问题描述】：

我想我一定是在这里误解了一些东西，但Making Box Files 4.0 的文档指出：

LSTM 4.0alpha 所需的格式仍然是 tiff/box 文件对，除了 box 只需要覆盖文本行而不是单个字符。

然后它会链接到具有逐个字符框的Box File，例如：

T 112 4663 140 4696 0
e 140 4662 160 4686 0
s 163 4662 179 4686 0
s 182 4661 198 4686 0
e 200 4661 220 4685 0
r 221 4662 238 4685 0
a 239 4661 260 4685 0
c 261 4661 281 4685 0
t 281 4661 296 4691 0

谁能解释为什么这似乎是一个差异？

【问题讨论】：

标签： ocr tesseract

【解决方案1】：

有用于标记行尾的制表符 (\t)。如果您进一步阅读该文档，它会说明这一点。

T 112 4663 140 4696 0
e 140 4662 160 4686 0
s 163 4662 179 4686 0
s 182 4661 198 4686 0
e 200 4661 220 4685 0
r 221 4662 238 4685 0
a 239 4661 260 4685 0
c 261 4661 281 4685 0
t 281 4661 296 4691 0
  296 4661 311 4696 0
O 311 4661 344 4696 0
C 347 4661 377 4696 0
R 378 4661 414 4695 0
     414 4694 415 4695 0
A 110 4575 146 4609 0
b 145 4574 167 4610 0
o 171 4573 193 4598 0
u 195 4573 219 4596 0
t 220 4573 234 4603 0
     234 4602 235 4603 0

【讨论】：

我明白这一点。但对我来说，这些框似乎仍然覆盖单个字符（例如，第一个框是 "112 4663 140 4696" ，它覆盖了字母 "T"），而不是一整行？

【解决方案2】：

LSTM 训练实际上并不需要单独的字符坐标。

问题源于 tesseract wiki old textline box example file 中的措辞不是很好，以及“Tesseract4 接受多种格式的盒子文件”这一事实。

请参阅#2357 了解@shreeshrii 提供的详细信息和示例。

【讨论】：