训练 tesseract 3 以获取字母表

Question

我一直在尝试使用普通的 tesseract 3 OCR，使用不同的选项从字母表中获取数据，我的学生将其中一个字母标记为多项选择题的答案，如下所示：

最好的输出之一是：

EEEEEEEEEEEEEEEEEEEEEEEEE
DDDDDDDDDDDDDDDDDDDDDDDDD
CCCCCCCCCCCCCCCCCCCCCCCCC
BBBBBBBEBBBBBBBBBBBBBBBBB
AAAAAAAAAAAAAAAAAAAAAAAAA
6789012345678901234567890
2222333333333344444444445
EEEEE EEEE EE EEE EEEEEEE
DDDDDD DDD DDDDDDDDDDDD
CCCCCCCCCCCCCCCCCC CCCCC
B BEBE BB BBBBBBBBBBBBBBB
AA AAA AAAAA AAAAAAAA
1234567890123455789012345
OOOOOOOOO1111111111222222

我知道我可以解析该 .txt 文件并获得更好的结果，但它遗漏了很多信息并从一些绘制的块中获取了字母。

我想知道我能做些什么来获得更好的结果。

我还希望有一个表格，其中绘制的块显示为不同的字符，例如，对于图像的第一行和第二行：

01 A B C - E   26 A B C D E
02 A - C D E   27 A B C D E

如果你们有类似的经验，任何信息将不胜感激！ 提前致谢！

Answer 1

首先，我建议您对图像进行预处理，例如使暗部变暗，稍微模糊一下。随意尝试，直到 Tesseract 不再看到填充方块中的字母。

其次，你有两个选择：

• 一、可以开启hOCR输出，尝试自己解析扫描字母的布局。 hOCR 是 HTML 的一个子集，它包含所有已识别单词的坐标。尝试找出行和列的位置。

• 或者，尝试让 Tesseract 正确识别布局，而不是旋转 90°。

不管怎样，这就是我所做的：

1。我通过 ImageMagick 运行图像：

$ convert CDZjN.png -deskew 40% -contrast-stretch 7%x10% -filter lanczos -resize 250% ooo.png

2。我为 Tesseract 创建了一个配置文件t.conf，禁用垂直文本检测和英语词典：

textord_tabfind_vertical_text 0 load_system_dawg 0 load_freq_dawg 0 load_punc_dawg 0 load_number_dawg 0 load_unambig_dawg 0 load_bigram_dawg 0 load_fixed_length_dawgs 0

3。我只是运行它：

$ tesseract ooo.png ooo t.conf ; cat ooo.txt Tesseract Open Source OCR Engine v3.02 with Leptonica 01ABC-E 26ABCDE 02A CDE 27ABCDE o3 BCDE 28ABCDE o4 BCDE 29ABCDE o5 BCDE 30ABCDE 06ABCD. 31ABCDE 07A-CDE 32ABCDE 08ABC.E 33ABCDE o9 BCDE 34ABCDE 10A CDE 35ABCDE 11ABCD 36ABCDE 12ABC E 37ABCDE 13ABC E 38ABCDE 14ABCD 39ABCDE 15 BCDE 40ABCDE 1s BCDE 41ABCDE 17 BCDE 42ABCDE 18ABCD_ 43ABCDE 19AB DE 44ABCDE 20AB DE 45ABCDE 21ABCDE 46ABCDE 22ABCDE 47ABCDE 23ABCDE 48ABCDE 24ABCDE 49ABCDE 25ABCDE 50ABCDE

不完美，但还过得去。