Question

我正在开展一个涉及提取以PDF格式存储的文本科学论文的项目。对于大多数论文而言，使用PDFMiner很容易实现，但一些较旧的论文将其文本存储为大图像。本质上，扫描纸张并且图像文件（通常是PNG或JPEG）包含整个页面。

我尝试通过它的python-tesseract绑定使用Tesseract引擎，但结果非常令人失望。

在深入研究我对这个库的问题之前，我想提一下我对OCR库的建议持开放态度。似乎很少有原生的python解决方案。

Here是一个这样的图像（JPEG），我试图提取文本。我在上面链接的python-tesseract google代码页上的示例代码段中提供了确切的代码。我应该提一下，文档有点稀疏，所以我的代码中很多选项中的一个很可能配置错误。任何建议（或深入教程的链接）都将非常感激。

Here是我尝试OCR的输出。

我的问题如下：

我使用的代码中有什么不是最理想的吗？有没有更好的方法呢？也许是一个不同的图书馆？
我可以执行哪种预处理来改善检测？这些图像都是B＆amp; W，但是我应该设置一个阈值并将其上方的任何内容设置为单值黑色，并将其下方的所有内容设置为空值白色？还有什么吗？
一个更具体的问题：通过对单个单词执行OCR可以提高性能吗？如果是这样，任何人都可以建议一种方法来分隔图像文件中的单个单词（例如：上面链接的单词）并将它们提取到可以独立处理的单独图像中吗？
PDF页面图像中嵌入的图形和其他图像是否会干扰OCR？我应该删除这些吗？如果是这样，有人可以建议一种自动删除它们的方法吗？

修改为简单起见，这是我使用的代码。

import tesseract
api = tesseract.TessBaseAPI()
api.Init(".","eng",tesseract.OEM_DEFAULT)
api.SetPageSegMode(tesseract.PSM_AUTO)

mImgFile = "eurotext.jpg"
mBuffer=open(mImgFile,"rb").read()
result = tesseract.ProcessPagesBuffer(mBuffer,len(mBuffer),api)
print "result(ProcessPagesBuffer)=",result

以下是替代代码（虽然性能似乎非常相似，但其结果未显示在此问题中。）

import cv2.cv as cv
import tesseract

api = tesseract.TessBaseAPI()
api.Init(".","eng",tesseract.OEM_DEFAULT)
api.SetPageSegMode(tesseract.PSM_AUTO)

image=cv.LoadImage("eurotext.jpg", cv.CV_LOAD_IMAGE_GRAYSCALE)
tesseract.SetCvImage(image,api)
text=api.GetUTF8Text()
conf=api.MeanTextConf()

有人可以解释这两个片段之间的差异吗？

Answer 1

如果你修补一下，Tesseract对干净的输入文本非常好（就像你的例子）。一些建议：

在自动化之前，请从命令行开始使用tesseract
如果可能，请限制您的字符集（例如，查看/ usr / local / share / tessdata / configs at ./digits - 将其配置为英文字符大写/小写等）并将其作为命令行参数提供< / LI>
仅使用PNG或TIFF图像（旧版本的TIFF），因为JPG引入了人工制品
对图像进行采样，使您的文字大于当前的小字体。 Tesseract线条> 10个像素高的字符（如果内存服务），它确实在微小字符中表现更差
如果你已经是双级别，则无需进行阈值处理，但是如果你这样做就不会受到影响，你可以看到与tesseract看到的完全相同的图像

我会回到这里查看我是否可以提供更多帮助但是加入tesseract邮件列表，他们真的很有帮助。

旁注 - 我有一些pytesseract补丁，我应该发布这些补丁来获取角色和信心和通过API的话（几个月前不可能）。如果他们可能有用，请大喊。

Answer 2

第一个示例将文件作为缓冲区读取，然后将其传递给tesseract-ocr而不进行任何修改，而第二个示例将文件读取为opencv格式，然后允许您进行一些图像修改，如更改宽高比，使用cv库的灰度等。如果你想在将图像传递给tesseract之前进行图像处理，第二种方法非常有用。

是的，我是python-tesseract的所有者。如果您想提问，可以随时欢迎将问题转发给http://code.google.com/p/python-tesseract

乔

提高多段扫描的OCR性能

2 个答案: