我正在使用Tesseract 对一些屏幕截图进行 OCR。截图中的字符在raster fonts。但是Tesseract 需要True Type Font 文件进行训练。
我可以在Windows/Fonts 文件夹中找到许多真字体文件。我想知道是否有一个用于光栅字体的？
【问题讨论】：
标签： fonts tesseract raster truetype python-tesseract
“光栅字体”虽然不是真实的：OpenType（其中 truetype 是两种内部编码之一）是真实字体，符合highly detailed, authoritative specification，但光栅字体几乎是“没有单一的规范，你可以发明任何你想要的东西，只要你的程序知道如何解开你制作的东西”。定义光栅/位图字体的方法有很多种，基本上都是bitmap image + header that says which letter maps to which x/y/w/h rectangle in the image的形式。
OCR 不想使用它们，因为位图字体无法缩放：最简单的原因是“没有官方位图字体规范”，但即使有，如果您尝试将位图字体与OCR 结果然后整个页面的宽度或高度与您的位图字体需求相比甚至相差 1 个像素，这可能导致根本没有可匹配的文本。 Bbitmap 字体被编码为固定到字体大小（通常只有一种，有时不止一种，但仍然严格固定），因此如果扫描的文档不是完全正确的大小，任何像素都不会完全重叠，导致像 O 和 V 以相同的可靠性匹配 V 和 O 这样荒谬的事情，因为一个微小的垂直像素偏移可以使 V 和 O 重叠相同数量的错误像素。
另一方面，OpenType 字体使用矢量轮廓，并且可以缩放以与各种非常成功的算法进行最佳匹配。除非您扫描的文档“非常小”，否则矢量变换将产生 90-100% 的匹配而不会出现任何问题。
您想要做的是点击 MyFont.com 的 What The Font! 之类的内容，然后在扫描的文档中放入一个句子（可能是两个），然后让它告诉您哪种字体最匹配，然后只需使用该字体进行 OCR 培训。超级有效！
【讨论】：
What The Font! 站点来检测靠近它的字体。