Tesseract 混淆了两个数字答案

【问题标题】：Tesseract confuses two numbersTesseract 混淆了两个数字
【发布时间】：2011-11-09 17:11:02
【问题描述】：

我正在编写一个应用程序来扫描图像中的数字。

数字使用 OCR-B 字体，还可能包含 + 和 > 字符。

这是我的源图片：

使用 Tesseract 的扫描效果不是很好，即使将字符集限制为提到的字符也是如此。由于我没有找到任何 Tesseract 的 OCRB 训练文件，我决定自己训练它。

我创建了this training image 并从中制作了一个盒子文件。盒子文件正确，所有字母都匹配正确。

然后我做了所有步骤described here 来创建其他必要的文件。

使用这个新训练的 OCR-B tessdata-set，我在源图像上得到了很好的结果，但有一个小错误：所有1s 都被误认为8s，反之亦然。用于处理图像的命令是

$ tesseract esr2c.tif ocrb-esr2c -l ocrb

源图像的输出是

0800000001456>8 00000195731208 8 01050008 023+ 08 0301226>20

如果您交换所有1s 和8s 并将其与源图像进行比较，输出将是正确的（除了最后两个我可以忽略的字母）。

怎么会这样？我在训练过程中是否犯了一些错误？我该如何解决？

【问题讨论】：

【解决方案1】：

您的 box 文件中的某处可能存在 1 和 8 的错误值（字符）。您可以使用jTessBoxEditor 程序进行验证。如果是，请更正，重新生成语言数据文件，然后重试。

【讨论】：

我无法让 jTessBoxEditor 工作（imageio 库存在一些问题），但我使用 OwlBoxer 检查了 box 文件（我实际上使用该工具处理了该文件）并且一切看起来都正确。
我也刚刚使用 tesseractTrainer.py 仔细检查了 box 文件，仍然没有发现任何错误。
你能贴一个你的盒子文件的链接吗？您正在为哪个 Tesseract 版本进行培训？
马上，我可以通过 jTessBoxEditor 看到前四个字符（行）在 box 文件中的位置和顺序不正确。请尝试将它们移动到正确的位置和顺序，然后继续剩余的训练步骤。（抱歉，我还没有设置可以上传文件的地方。）
哇，成功了！我认为订单不会有任何不同:) 感谢您的帮助！您可能想在回答中提及解决方案。

【解决方案2】：

经过 1 个月的 OCR A 扩展字体努力，我已经训练了 tesseract 2.04。它工作得很好，字体大小为 14 时，精度超过 90。

训练图像应该是高对比度图像。使用“GIMP”图像编辑器并执行以下操作菜单颜色->信息->直方图-读取标准偏差值颜色-> 阈值 -> 将“标准偏差值”写入阈值保存图片用它来训练。

使用“qt-box-editor-1.06.exe”检查和编辑您的盒子文件。它非常易于使用。选中其中的所有框和字符。这是非常重要的。您的 box 文件中某处的 1 和 8 字符不正确。

运行其他 cmd。

【讨论】：

我已经解决了这个问题（参见其他答案的评论）。 jTessBoxEditor 中框的顺序错误。无论如何，谢谢。
我为 OCR-B 训练了 tesseract 3.02。它在相同的训练集上返回了 100% 的准确率。但是当我检查真实生活中的图片时，它的准确度几乎为零。对你们有用吗？