当它们与字母混合时，如何使 tesseract 只识别数字？答案

【问题标题】：How to make tesseract to recognize only numbers, when they are mixed with letters?当它们与字母混合时，如何使 tesseract 只识别数字？
【发布时间】：2011-06-24 02:37:21
【问题描述】：

我想使用tesseract 仅识别数字。问题是我混合了数字和字母，当我使用 SetVariable("tessedit_char_whitelist", "0123456789")
对于每个符号，tesseract 返回错误的数字。

我可以设置一个阈值，以便tesseract 忽略低相似度的符号吗？

注意：我将 tesseract 设置为仅识别数字，因此 O 和 0 之间不会混淆。

【问题讨论】：

您好，我也在使用 Tesseract 和 Java 项目，我遇到了一些问题，我有名片图像，我需要提取电子邮件地址，问题是有时它会混淆数字和信件，电子邮件“j.schneiderheinze@dunskie.de”变成“j.5chneiderheinze@dunskie.de”，你知道如何解决这个问题吗？

标签： ocr tesseract

【解决方案1】：

在tesseract FAQ 页面上实际上回答了仅识别数字。有关更多信息，请参阅该页面，但如果您有版本 3 包，则配置文件已经设置。您只需在命令行上指定：

tesseract image.tif outputbase nobatch digits

至于阈值，我不确定你的意思。如果你的输入是一种不寻常的字体，也许你可以用你的输入样本重新训练。另一种方法是更改 tesseract 的修剪阈值。常见问题解答中也提到了这两个选项。

【讨论】：

【解决方案2】：

对于tesseract 3，根据FAQ，命令更简单tesseract imagename outputbase digits。但这对我来说不是很好。

我转而尝试不同的psm 选项，发现-psm 6 最适合我的情况。

man tesseract了解详情。

【讨论】：

【解决方案3】：

对于tesseract 3，我尝试根据FAQ创建配置文件。

在调用 Init 函数之前或将其放入名为 tessdata/configs/digits 的文本文件中：

tessedit_char_whitelist 0123456789

然后，使用命令：tesseract imagename outputbase digits

【讨论】：

【解决方案4】：

如果要匹配0-9

tesseract myimage.png stdout -c tessedit_char_whitelist=0123456789

或者如果一个人几乎想匹配 0-9，但有一个或多个不同的字符

tesseract myimage.png stdout -c tessedit_char_whitelist=01234ABCDE

【讨论】：

【解决方案5】：

我让它有点不同（使用 tess-two）。也许它会对某人有用。

所以你需要先初始化 API。

TessBaseAPI baseApi = new TessBaseAPI();
baseApi.init(datapath, language, ocrEngineMode);

然后设置以下变量

baseApi.setPageSegMode(TessBaseAPI.PageSegMode.PSM_SINGLE_LINE);
baseApi.setVariable(TessBaseAPI.VAR_CHAR_BLACKLIST, "!?@#$%&*()<>_-+=/:;'\"ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz");
baseApi.setVariable(TessBaseAPI.VAR_CHAR_WHITELIST, ".,0123456789");
baseApi.setVariable("classify_bln_numeric_mode", "1");

这样引擎将只检查数字。

【讨论】：

【解决方案6】：

您可以指示 tesseract 仅使用数字，如果这不够准确，那么获得更好结果的最佳机会是通过训练过程： http://www.resolveradiologic.com/blog/2013/01/15/training-tesseract/

【讨论】：

我不知道为什么这个答案在最没有帮助和错误的情况下排在第二位。没有需要再次通过训练过程来将字符列入黑名单！
我的回答中没有提到将字符列入黑名单，但在某些情况下，即使我指示 tesseract 使用数字，它们也不会被识别为这样。在这种情况下，培训只是前进的方向。如果您通过其他一些过程获得了更好的结果，请分享您的经验。

【解决方案7】：

版本 4 不支持此功能。您仍然可以通过 -c tessedit_char_whitelist=0123456789 使用它，并使用“--oem 0”恢复旧模型。

There is a bounty to fix this issue.

可能的解决方法：

如@amitdo所述

使用 --oem 0 选项（将使用旧版引擎）
再训练（微调） #751 (comment)
后处理 #751 (comment)

【讨论】：

【解决方案8】：

当图像仅包含 1 行时，添加“--psm 7 -c tessedit_char_whitelist=0123456789'”对我有用。

【讨论】：

【解决方案9】：

custom_oem=r'digits --oem 1 --psm 7 -c tessedit_char_whitelist=0123456789'

text = tess.image_to_string(croped,config=custom_oem)

我正在使用 tesseract 4.1.1。

为了获得更好的结果，您可能需要考虑图像处理技术。

【讨论】：

【解决方案10】：

我所做的就是识别一切，当我有文字时，我把除了数字之外的所有字符都取出来

//This replaces all except numbers from 0 to 9
recognizedText = recognizedText.replaceAll("[^0-9]+", " ");

这对我来说效果很好。

【讨论】：

您错过了提高 OCR 质量和速度的机会。如果将 Tesseract 限制为给定的字符集，它的性能会更好。使用您的方法，您会丢失有价值的信息。