查找图像中的已知文本（引导式OCR）

Question

我正在寻找一种在图像中定位已知文字的方法。

具体来说，我正在尝试创建一个工具，将一组扫描页面转换为支持搜索和复制+粘贴的PDF。我理解这通常是如何完成的：OCR页面，保留文本的位置，然后将文本作为不可见的图层添加到PDF。 Acrobat内置了此功能，tesseract可以输出hOCR文件（包含已识别的文本及其位置），可由hocr2pdf用于生成文本图层。

不幸的是，我的源图像质量相当低（最多150 DPI，有大量的JPEG伪像，以及一些文本背后的非实体背景），导致相当差的OCR结果。但是，我确实有每页显示的文本副本（无图片和布局）。

将已知文本与扫描页面上的位置相匹配似乎更容易准确，但我没有发现内置此功能的任何软件。如何利用现有软件来实现这一目标？

编辑：文字的大小和字体各不相同，但文章的段落是一致的。

Answer 1

让我想到的想法是互相关。因此，我会将您知道的单词列表放在页面上，并一次一个地渲染到画布上，以创建该单词的图片。您需要使用与文档中的单词类似的字体和大小 - 这是我在评论中提到的。然后，我将对扫描图像运行该图像的图像的标准化互相关，以查看它出现的位置。我会用ImageMagick完成所有这一切，它可用于Windows和OSX（在OS X上使用homebrew）并包含在大多数Linux发行版中。

所以，让我们看一下你问题第二段的屏幕截图，找一下pretty这个词 - 你提到非常糟糕的OCR 。

首先，您需要将单词pretty渲染到白色背景上。命令将是这样的：

convert -background white -fill black -font Times -pointsize 14 label:pretty word.png

<强>结果：

然后使用来自here的Fred Weinhaus的脚本执行标准化的互相关：

normcrosscorr -p word.png scan.png correlation-result.png
Match Coords: (504,30) And Score In Range 0 to 1: (0.999803)

你可以看到比赛的坐标是504,30。

<强>结果：

另一个想法

另一个想法可能是使用Google的Tesseract-OCR并将标准字典替换为包含您正在处理的页面上的字词的文本文件...