Tesseract用户模式

Question

任何人都知道如何在Tesseract中使用用户模式（user_patterns_suffix）？ 你能告诉我如何处理它以及如何测试它的工作原理吗？我试图遵循Tesseract指南（Tessearct user-patterns但我没有看到它影响结果。

感谢。

Answer 1

Tesseract将模式用于某种“正则表达式”。如果我们假设您正在使用全部采用相同格式的数据扫描书籍，则可以使用它。一个模式可以用来告诉Tesseract期望什么格式，如何期望用户词中的单词。以下是Tesseract describes how to use patterns：

的方式

  

每个模式都可以包含任何非空白字符，但只有包含相应语言的unicharset字符的模式才有用。

     

唯一的元字符是\。要在模式中用作普通字符串，应使用\进行转义（例如，字符C:\Documents应在模式文件中写为C:\\Documents）。

     

此函数支持非常有限的正则表达式语法。可以表达一个字符，一个特定的字符类以及该模式中应该重复该实体的次数。

     

表示字符类使用以下之一：

     

  
• \c - UNICHARSET::get_isalpha()为真的unichar（字符）
  
• \d - UNICHARSET::get_isdigit()为真的unichar
  
• \n - unichar UNICHARSET::get_isdigit()和   UNICHARSET::isalpha()是真的
  
• \p - UNICHARSET::get_ispunct()为真的unichar
  
• \a - UNICHARSET::get_islower()为真的unichar
  
• \A - UNICHARSET::get_isupper()为真的unichar
  

     可以在每个字符或模式之后指定

\*，以指示在下一个字符/模式出现之前，字符/模式可以重复任意次。

     

示例：

     

1-8\d\d-GOOG-411将扩展为字符串：    1-800-GOOG-411，1-801-GOOG-411，... 1-899-GOOG-411。

     

"ww.\n\*.com"将扩展为以下字符串：    "ww.a.com" "ww.a123.com" ... "ww.ABCDefgHIJKLMNop.com"

     

注意：在选择要包含的模式时，请注意提供非常通用的模式会使tesseract运行速度变慢的事实。例如，模式开头的\n\*将使Tesseract考虑每个分段的所提议字符选择的所有组合，这将是不可接受的慢。由于可能难以识别的潜在速度问题，每个用户模式必须至少从kSaneNumConcreteChars开始具有unicharset具体字符。