如何自定义Tesseract忽略噪音？

Question

我有这样的图像（白色背景和黑色文字）。如果没有噪音（如您所见：数字线的顶部和底部有很多噪音），Tesseract可以识别数字非常好。

但是当有噪音时，Tesseract会尝试将其识别为数字并为结果添加更多数字。真的很糟糕。如何使Tesseract忽略噪音？我无法制作预处理图像，使其更具对比度或清晰文本。这没什么用。

如果某些工具可以仅高亮显示字符串线。它对Tesseract来说可能是非常好的输入。请帮我。谢谢大家。

Answer 1

您应该尝试eroding and dilating：

  

最基本的形态学操作是两个：侵蚀和膨胀。   它们有广泛的用途，即：

     

消除噪音

     

...

Answer 2

您可以尝试对二进制图像进行下采样并再次对其进行采样（pyrDown和PyrUp），或者您可以尝试使用高斯模糊smooth图像。并且，正如已经建议的那样，erode和dilate您的形象。

Answer 3

我看到了3个问题的解决方案：

1. 已经过时了 - 尝试使用erode和dilate或某种模糊。这是最简单的解决方案。
2. 找到所有轮廓（findContours函数），然后删除区域小于某个值的所有轮廓（尝试不同的值，你应该找到非常快的正确值）。请注意，该值可能不是恒定的 - 例如，您可以尝试使用80％的平均轮廓区域（只需添加所有轮廓区域，将其除以轮廓数并乘以0.8）。
3. 查找所有轮廓。创建一个整数数组，其长度等于图像高度。用零填充数组。现在为每个轮廓：
   I.找到顶部和底部点（具有y坐标的最大值和最小值的点）。我们将此点命名为T和B II。在数组的所有元素中添加一个索引位于B.y和T.y之间的元素。 （所以如果B =（1,4）和T =（3,11）则将一个加到数组[4]，数组[5]，数组[6] ...，数组[11]）。 找到数组的最大元素。我们将此值命名为v。 B.y <= v <= T.y应为字母，其他轮廓 - 噪音的所有轮廓。

Answer 4

您可以使用图像处理技术（蚀刻和扩张等形态操作）轻松移除这些噪音，您可以选择opencv进行此操作。

Answer 5

连接组件标签....即blob计数....所有剂量噪声永远不能匹配数字的大小....使用形态学技术，数字也会被修改...标记图像.. .count每个标记区域中的像素数并设置一个阈值（您可以轻松设置，因为您只有数字和噪音）... cvblob是用C ++编写的库代码googles ...

Answer 6

我有类似的问题：小的噪音是tesseract失败的原因。我无法使用open-cv，因为我在android上开发了一些功能，而open-cv则因为它的尺寸太大而变得多余。我不知道这种解决方案是否很好，但这就是我所做的。

我在图像中找到了所有黑色区域（将每个区域的点添加到自己的区域集中）。然后，我检查该区域中的点数是否大于某个阈值，例如10、25和50。如果为true，则将该区域中的所有点都设为白色。