在 tesseract C++ API 中禁用字典辅助 OCR答案

【问题标题】：Disable dictionary-assisted OCR in tesseract C++ API在 tesseract C++ API 中禁用字典辅助 OCR
【发布时间】：2016-01-05 10:50:04
【问题描述】：

我有一个应用程序，其中使用 tesseract API 对技术数据表进行 OCR 处理。我这样初始化它：

tesseract::TessBaseAPI tess;
tess.Init(NULL, "eng", tesseract::OEM_TESSERACT_ONLY);

但是，即使使用了这样的自定义白名单

tess.SetVariable("tessedit_char_blacklist", "");
tess.SetVariable("tessedit_char_whitelist", myWhitelist);

一些数据表条目被错误识别，例如PA3被识别为FAB。

如何禁用字典辅助 OCR，即 .为了不影响其他工具，如果可能，我不想修改全局配置文件。

注意：这不是与this previous question 的重复，因为所述问题明确要求提供命令行工具，而我明确要求提供 tesseract API。 p>

【问题讨论】：

标签： c++ api ocr tesseract

【解决方案1】：

您可以简单地将惩罚设置为零：

tess.SetVariable("segment_penalty_garbage", "0");
tess.SetVariable("segment_penalty_dict_nonword", "0");
tess.SetVariable("segment_penalty_dict_frequent_word", "0");
tess.SetVariable("segment_penalty_dict_case_ok", "0");
tess.SetVariable("segment_penalty_dict_case_bad", "0");

虽然字典仍然保持活动状态，但这种方法基本上告诉算法字典命中（还包括错误的标点符号等）并不比非字典命中好。

参考the dict.cpp source code。

【讨论】：

【解决方案2】：

您可以通过以下方式进行操作

tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
if (api->Init(NULL, "eng"))
{
    fprintf(stderr, "Could not initialize tesseract.\n");
    exit(1);
}

if(!api->SetVariable("tessedit_enable_doc_dict", "0"))
{
    cout << "Unable to enable dictionary" << endl;
}

只需将"tessedit_enable_doc_dict" 作为参数传递给SetVariable 函数，它就是相应的布尔值。

我在tesseractclass.hhttps://tesseract-ocr.github.io/a00736_source.html 头文件（第 839 行）中找到了它，我想找到正确参数的最佳方法是查看其中定义的值（与您的版本相对应的头文件。我的是 3.04）。我尝试了一些我之前在互联网上找到的但没有奏效。这是我的工作配置。

【讨论】：

抱歉耽搁了这么久。由于我没有真正继续我的 Tesseract 问题，因此我没有真正调查我的回答是否是解决问题的更好方法。但是，回首往事，我认为tessedit_enable_doc_dict 是要走的路很明显，所以我最终会接受你的回答:-)

【解决方案3】：

您只能在initialization of API 期间翻阅字典。 tesseract 3.02 见 tesseract-ocr API example in C++ of changing init parameters。

【讨论】：

所以你的意思是如果我设置load_system_dawg = 0，字典将不适用？
不完全是。如果在tesseract 初始化期间使用load_system_dawg = 0“系统”字典将不会被加载。如果您想稍后使用它，则需要再次初始化 tesseract。