Tesseract Trained数据

Question

我试图使用Tessaract从收据和账单中提取数据，我使用的是tesseract 3.02版本。

我只使用英文数据，但输出精度仍为60％左右。

是否有任何训练有素的数据，我只是在tessdata文件夹中替换

Answer 1

这是作为“典型示例文件”提供的图像：

看着它我会清楚地说：“算了吧，尼克！你无法训练Tesseract从这种类型的图像中识别出100％的文字！”

然而， 您可以使用 iPhone 3GS （这是用于示例图片的设备）训练自己制作更好的照片 从这种类型的收据。以下是一些提示：

• 请勿使用深色背景。请改用白色。
• 不要让收据纸崩溃。把它拉直。
• 不要将收据松散地放在不平的地下。将其固定在平坦的表面上：
  • 将其放在一张白纸上，然后将一块玻璃压板放在上面。
  • 或者使用一些胶水并将其平放在白纸上，没有任何弯曲的边缘或角落。
• 请勿使用像640x480像素一样的低分辨率（如示例图片所示）。使用较高的一个，例如1280x960像素。
• 请勿使用标准曝光。将相机设置为使用极高对比度。你希望字母为黑色，白色背景为白色（图片中不需要灰色......）
• 尝试将其设置为10-12磅字体的任何字符高度约为24-30像素（即，使图像大约为300 dpi，100％缩放）。

---

那就是说，类似下面的ImageMagick命令可能会在某种程度上提高Tesseract的识别率：

convert                               \
   http://i.stack.imgur.com/q3Ad4.jpg \
  -colorspace gray                    \
  -rotate 90                          \
  -crop 260x540+110+75 +repage        \
  -scale 166%                         \
  -normalize                          \
  -colors 32                          \
   out1 .png

它产生以下输出：

您甚至可以在上面的命令中添加-threshold 30% 之类的内容作为最后一个命令行选项来获取此内容：

（您应该对30%值的一些变化进行一些调整以调整结果...我没有时间进行此操作。）

Answer 2

使用tesseract无法从收据中获取准确的信息。您需要添加图像过滤器和一些其他工具，如OpenCV，NumPy ImageMagick和Tesseract。在Franck Chastagnol的PyCon 2013上有一个演讲，他描述了他的公司是如何做到的。

这是链接： http://pyvideo.org/video/1702/building-an-image-processing-pipeline-with-python

Answer 3

在使用Tesseract对文本进行OCR之前，您可以获得更清晰的后处理图像。尝试使用背景表面阈值（BST）技术而不是其他简单的阈值处理方法。您可以找到关于主题here的白皮书。

OpenCV的BST实现非常好https://stackoverflow.com/a/22127181/3475075

Answer 4

我需要完全相同的东西，我尝试了一些图像优化来改善输出

你可以在这里找到我的tessaract实验

https://github.com/aryansbtloe/ExperimentWithTesseract