Tesseract：指定文本区域

Question

我正在使用tesseract-ocr-3.01来扫描多种形式。表单都遵循模板，因此我已经知道文本的区域/矩形在哪里。

使用命令行工具时，有没有办法将这些区域传递给tesseract？

Answer 1

我找到了答案，感谢this thread。

似乎tesseract支持uzn格式（在unvl测试中使用）。

来自主题：

  

使用参数“-psm 4”调用tesseract并重命名uzn文件   与图像的相同名称似乎有效。

示例：如果我们有C:\input.tif和C:\input.uzn，我们会这样做：

tesseract -psm 4 C:\input.tif C:\output

Answer 2

这可能不是最佳答案，但这里有：

我不确定命令行工具是否具有指定文本区域的选项。

您可以做的是在另一个平台上使用Tesseract包装器（EmguCV内置Tesseract）。因此，您可以获取扫描图像，裁剪文本区域，并一次一个地将它们分配给Tesseract。这样，您还可以避免Tesseract页面布局分析中的任何不准确之处。

例如

Image<Gray,Byte> scannedImage = new Image<Gray,Byte>(path_to_scanned_image);
//assuming you know a text region
Image<Gray,Byte> textRegion = new Image(100,20);
scannedImage.ROI = new Rectangle(0,0,100,20);
scannedImage.copyTo(textRegion);
ocr.recognize(textRegion);