OCR 应用前的图像清理

Question

过去几个小时我一直在试验 PyTesser，它是一个非常好的工具。关于 PyTesser 的准确性，我注意到以下几点：

1. 带有图标、图像和文本的文件 - 5-10% 准确度
2. 仅包含文本的文件（已删除图像和图标） - 50-60% 准确度
3. 文件拉伸（这是最好的部分） - 拉伸文件 在 2) 以上 x 或 y 轴上将精度提高了 10-20%

显然，Pytesser 不负责字体尺寸或图像拉伸。尽管有很多关于图像处理和 OCR 的理论需要阅读，但在应用 PyTesser 或其他库之前，是否有任何标准的图像清理程序（除了擦除图标和图像）需要完成，而与语言无关？

...........

哇，这篇文章现在已经很老了。最近几天，我再次开始了对 OCR 的研究。这次我放弃了 PyTesser 并使用了带有 ImageMagik 的 Tesseract 引擎。直截了当，这就是我发现的：

1) You can increase the resolution with ImageMagic(There are a bunch of simple shell commands you can use)
2) After increasing the resolution, the accuracy went up by 80-90%.

因此，Tesseract 引擎无疑是市场上最好的开源 OCR 引擎。这里不需要事先进行图像清理。需要注意的是，它不适用于具有大量嵌入图像的文件，我无法找到一种方法来训练 Tesseract 忽略它们。图像中的文本布局和格式也有很大的不同。它适用于只有文本的图像。希望这会有所帮助。

Answer 1

不确定您的意图是否用于商业用途，但如果您在一堆类似图像上执行 OCR，这很有效。

http://www.fmwconcepts.com/imagemagick/textcleaner/index.php

原创

使用给定参数进行预处理后。

Answer 2

事实证明，tesseract wiki 有一篇文章以我能想象到的最佳方式回答了这个问题：

• 关于"Improving the quality of the [OCR] output"的图解指南。

• 问题"image processing to improve tesseract OCR accuracy"也可能感兴趣。

---

（初步回答，仅作记录）

我没用过PyTesser，但是我用tesseract做了一些实验（版本：3.02.02）。

如果您在彩色图像上调用 tesseract，则它首先应用全局 Otsu's method 对其进行二值化，然后在二值（黑白）图像上运行实际字符识别。

图片来自：http://scikit-image.org/docs/dev/auto_examples/plot_local_otsu.html

可以看出，“全球大津”可能并不总是产生理想的结果。

为了更好地理解 tesseract 的“所见”是将 Otsu 的方法应用于您的图像，然后查看生成的图像。

总结：提高识别率最直接的方法是自己二值化图像（很可能你会通过反复试验找到好的阈值），然后将这些二值化图像传递给tesseract .

有人好心发布api docs for tesseract，因此可以验证之前关于处理管道的陈述：ProcessPage -> GetThresholdedImage -> ThresholdToPix -> OtsuThresholdRectToPix

Answer 3

我知道这不是一个完美的答案。但我想与您分享一个我在 PyCon 2013 上看到的可能适用的视频。它有点缺乏实现细节，但可能对您如何解决/改进您的问题提供一些指导/启发。

Link to Video

Link to Presentation

如果您决定使用 ImageMagick 对源图像进行一些预处理。 Here 是一个问题，它为你指出了很好的 python 绑定。

附带说明。 Tesseract 非常重要。你需要训练它，否则它不会像它所能达到的那样好/准确。