Tesseract OCR 库需要什么图像才能准确提取文本？

Question

我正在使用 Tesseract 库从图像中提取文本。语言是越南语。我有两张图片。第一个来自一个网站。第二个是从写字板程序截取的屏幕截图。它们显示在下面的链接中：

1

2

第一个有 95% 的准确率。

Bán căn hộ tầng 5 khu tập thể Thành công Bắc, DT 28m2, gần chợ ThànhCông, 所以 đỏ, chính chủ, giá 800 triệu.LH:A.Châu, 0979622551,0905685336

第二张图片要大得多，但准确率只有 60% 左右。

Bặn căn hộ tầng ậ khu tập thể Ỉhành gông 巴克。 llĩ 28 平方米。 gân chợ ĩllành Bông。 sũIlỏ。 chính l:lIlì。 giá 800 lriệu。 l.ll: A.BhâU, 0979622551, 0905685336

我必须修复第二张图片才能获得与第一张一样准确的文本吗？

Answer 1

正如@user898678 在image processing to improve tesseract OCR accuracy 中所说，
以下操作可以提高 OCR 的准确性：

• 修复 DPI（如果需要）最低 300 DPI
• 修正文本大小（例如 12 pt 应该没问题）
• 尝试修复文本行（去歪斜和扭曲文本）
• 尝试修复图像的照明（例如，图像没有暗部 对图像进行二值化和去噪