限制字符tesseract正在寻找

Question

是否可以限制tesseract正在寻找的字符集（例如，仅搜索字母a-z）？这将极大地改善我的结果。

Answer 1

在tessdata / configs目录中创建配置文件（例如“letters”） - 通常为/usr/share/tesseract/tessdata/configs
或
/usr/share/tesseract-ocr/tessdata/configs

并将此行添加到配置文件中：

tessedit_char_whitelist abcdefghijklmnopqrstuvwxyz  

...或者也许[a-z]有效.. dunno :-)
然后调用类似于此的tesseract：

tesseract input.tif output nobatch letters  

这将限制tesseract只识别想要的字符

Answer 2

除配置文件外，还有-c标志：

tesseract stdin stdout -c tessedit_char_whitelist=abcdefghijklmnopqrstuvwxyz -psm 6

Answer 3

要在配置文件中使用白名单或使用-c tessedit_char_whitelist=...命令行开关，在最新的4.0版本中，您必须将OCR引擎模式设置为＆＃34;仅原始Tesseract＆＃34;。这是因为新的＆＃34;神经网络LSTM＆＃34;模式不尊重白名单设置。 适用于4.0版本的命令行示例：

  

tesseract input_file output_file --oem 0 -c   tessedit_char_whitelist = ABC123

更新：在较新的版本（4.0）中，Windows和某些Linux安装程序默认安装了已损坏的eng.traineddata文件。临时解决方案是将tessdata\eng.traineddata文件替换为旧版本的文件。此文件大约应为30MB。否则你会收到错误：＆＃34; Tesseract无法加载任何语言！＆＃34;或类似的。

Answer 4

只需在Android上使用tesseract的任何人添加此内容即可。在readOCR函数中设置语言等，添加以下行;

tesseract.setVariable("tessedit_char_whitelist","ABCDEFGHIJKLMNOPQRSTUVWXYZ");

你也可以为要排除的字符做blackList。

Answer 5

我正在使用Ubuntu 18.04.4 LTS。默认的tesseract是版本4。我不能将其用于白名单。然后将其升级到版本5。然后使用下面的命令，它开始工作。

tesseract sample.jpg stdout -l eng --oem 3 --psm 7
Warning: Invalid resolution 0 dpi. Using 70 instead.
LL £036 GL)

tesseract sample.jpg stdout -l eng --oem 3 --psm 7 -c tessedit_char_whitelist="ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789"
Warning: Invalid resolution 0 dpi. Using 70 instead.
L4036GL

sample.jpg

Answer 6

在Tesseract版本4.00中，无法完成此操作。您只能微调模型或使用正则表达式从预测中删除多余的字符。

Answer 7

我的答案完全来自于已接受的答案，并在此处添加，以使使用Tesseract NuGet软件包的任何.NET Windows开发人员都受益-但是，请注意我的第2条适用于任何人< / em>在Windows上使用任何种Tesseract

1. 在其他训练数据所在的config文件夹中创建一个tessdata文件夹。
2. 在letters文件夹中添加一个config文件。 使用诸如TextPad之类的编辑器，它将帮助您将其保存在UNIX中。 格式，ANSI编码（我最初尝试过UTF-8 / IBM PC和 tesseract在我的“测试”输出中出现了错误）
3. 就像训练文件一样，确保letters文件在“属性”面板中的“构建操作”设置为Content，并进一步标记为复制到输出目录：
   
4. 这样调用您的tesseract引擎类：

 var ocrEng = new TesseractEngine("./tessdata", "eng", EngineMode.Default, "letters");