字符识别（OCR 算法）[关闭]

Question

我正在开发一个项目，我必须开发 OCR 算法（我必须从图像中读取文本，然后将其转换为不同的语言）。所以我的第一个任务是从图像中获取文本。

完成第一项任务的步骤。

1. 从给定源加载任何图像格式（bmp、jpg、png）。然后将图像转换为灰度并使用阈值进行二值化（Otsu 算法）。 //完成（如何去除输出图像中的噪点？？？）

结果

1. 检测分辨率和反转等图像特征。这样我们就可以最终将其转换为拉直的图像以进行进一步处理。 （完成了图像旋转的代码，但无法检测到我们必须旋转图像的图像角度，所以还在做角度检测部分）

2. 行检测和删除。这一步是为了改进页面布局分析，获得更好的下划线文本识别质量，检测表格等（决定完成该部分在最后）

3. 页面布局分析。在这一步中，我试图识别图像中存在的文本区域。这样只有该部分用于识别，其余区域被排除在外。

4. 检测文本行和单词。这里我们还需要注意不同的字体大小和单词之间的小间距。

5. 字符识别。这是OCR的主要算法；每个字符的图像都必须转换为适当的字符代码。有时该算法会为不确定的图像生成几个字符代码。例如，识别“I”字符的图像可以产生“I”、“|” “1”、“l”代码和最终字符代码将在稍后选择。

6. 将结果保存为选定的输出格式，例如可搜索的 PDF、DOC、RTF、TXT。保存原始页面布局很重要：列、字体、颜色、图片、背景等。

所以我在第 6 部分需要帮助。我已经完成了行检测部分（从包含 n 行的段落中获取 n 个图像）但在下一部分获取单词和字符识别时卡住了。如果您知道与 OCR 和字符识别部分相关的良好链接那么请在这里发帖。

对于字符识别，我正在考虑使用 asprise（Java 库）http://asprise.com/product/ocr/index.php?lang=java

Answer 1

要检测旋转角度，请使用Hough transformation。

对于降噪，将没有相邻像素（北、东、南或西）的任何像素替换为相同颜色（相似颜色，使用容差阈值），邻居的平均值。

为布局检测搜索垂直空白。沿垂直间隙切片。对于每个切片，现在搜索水平间隙并切片。如果切片具有相同（相似）的高度，则您处于线级。否则重复垂直/水平切片，直到只剩下线条。最后一步是垂直切片，为您提供单个字符（或在某些情况下为连字）。长而窄或短而宽的切片是线条。

将字符切片与字符库进行比较。如果性能不是主要问题，请尝试在不同的字体库中查找字符，直到您可以识别所使用的字体。然后坚持使用该字体进行字符识别。

在原始图像中，将每个字符替换为背景色，这是通过对字符的每个像素插入不属于字符的像素来确定的。这将为您提供背景图片（如果有）。

Answer 2

您应该使用自适应阈值而不是 Otsu 方法。我认为这会有所帮助http://www.csse.uwa.edu.au/~shafait/papers/Shafait-efficient-binarization-SPIE08.pdf 此方法会自动去除噪音。

Answer 3

您可能需要查看Tesseract 的字符识别部分。

Answer 4

您可以使用 potrace 来降低噪音 它将给定的图像（bmp）矢量化并将其转换为 svg、pdf 和一些其他格式

http://potrace.sourceforge.net/potrace.html