使用 tesseract 进行字符识别答案

【问题标题】：Character Recognition using tesseract使用 tesseract 进行字符识别
【发布时间】：2014-01-09 07:30:15
【问题描述】：

我正在尝试与tesseract API 进行交互，我也是图像处理的新手，最近几天我一直在努力解决这个问题。我尝试过简单的算法，准确率达到了 70% 左右。

我希望它的准确率达到 90+%。图像的问题在于它们是 72dpi。我还尝试提高分辨率，但没有得到很好的结果，我试图识别的图像被附加。

任何帮助都将不胜感激，如果我问了一些非常基本的问题，我很抱歉。

编辑

我忘了提到我正在尝试在Linux 平台上在 2-2.5 秒内完成所有处理和识别，并且检测此答案中提到的文本的方法需要很多时间。另外我不喜欢使用命令行解决方案，但我更喜欢Leptonica 或OpenCV。

大部分图片上传here

我尝试了以下方法来二值化门票，但没有成功

票包含

我尝试将图像直接提供给 tesseract API，它在平均 1 秒内给了我 70% 的好结果。但我想提高注意时间因素的准确性到目前为止我已经尝试过

然后我尝试将这些二值化图像提供给 tesseract，虽然二值化图像看起来很完美，但准确率降低到了 50-60% 以下。

【问题讨论】：

【解决方案1】：

您可以尝试以下几种方法：

为了能够提高准确性，您应该提高 OCR 引擎的图像质量，这意味着 preprocessing the images before feeding them to Tesseract。我建议为此调查OpenCV。
OCR 引擎的主要问题是它们不像我们那样擅长识别字符。因此，即使 不是文本的内容有时也会被误认为是。因此，为防止这种情况发生，最好将其发送到 detect the areas of text 并将其发送到 Tesseract，而不是发送完整的图像，就像您对图像 #2 所做的那样。
另一种提取图像文本区域的方法是使用this technique 到isolate them。
当您从 Tesseract 获得结果后，您可以通过comparing the resulting text to a dictionary改进它们。

【讨论】：

【解决方案2】：

一些可能的改进：

您可以通过自己的编程完成上述操作，或者Fred's ImageMagick Scripts 可能会有所帮助。

【讨论】：

任何分配照明的教程？
@MuhammadMaaz 您可以尝试侵蚀图像然后放大以模仿白纸，减法将消除不均匀的效果。有关详细信息，请参阅此帖子：dsp.stackexchange.com/questions/1932/…
检测文本区域怎么样？

【解决方案3】：

我不确定我的帖子是否对您有用，因为我的回答与 Tesseract 无关。但它是关于高精度的，所以我决定让你看看付费 OCR SDK 解决方案是如何工作的。

这是使用 ABBYY Cloud OCR SDK 识别的结果，无需任何额外设置。

免责声明：我为 ABBYY 工作。

【讨论】：

【解决方案4】：

您可以尝试使用 ScanTailor（http://scantailor.sourceforge.net/ 它还有 CLI 界面）对图像进行二值化、去扭曲和去扭曲。放大图像可能有助于提高识别度。因为 Tesseract 识别配置文件经过优化，可以在至少 300 DPI 上工作。

另一种可能性是训练 Tesseract 使用您的材料特有的字体（更多信息可以在这里：https://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3）。

我不认为字典查找在这里会有所帮助，因为您主要有数字。

【讨论】：