使用Tesseract进行OCR图像预处理的下一步（tess4j）

Question

我一直在尝试使用Tesseract识别一系列图像中的一些数字，在寻求建议后，我做了一些改进。到目前为止，我已经尝试了以下步骤：

• 将图像二值化为适当的阈值以选出数字
• 将Tesseract限制为仅限数字
• 使用各种方法升级图像（带有Image.SCALE_SMOOTH的getScaledInstance，使用AffineTransformOp.TYPE_BICUBIC的AffineTransform）
• 探索不同的Tesseract页面分割模式。目前使用模式6。

尽管它们的边缘有些锯齿状，但它们的形状完全相同且完全对齐。处理过的图像示例：

Tesseract对这些确实没有问题，但它经常会混淆8个，3个，6个，5个，9个，5个。

我一直在寻找一些不同的方法来平滑图像和尝试不同的尺度，但我也想知道是否通过训练Tesseract的过程更有意义。只有10个可能的值总是几乎相同，似乎它不应该太难以学会识别它们，但训练Tesseract似乎也是一个巨大的痛苦。

有关如何在这些图像上获得Tesseract的最终精确度的任何建议吗？

我使用的是tess4j和Java，因此特别感谢特定于Java的建议和库。虽然我自己愿意实施算法，但我不想重新发明轮子。

Answer 1

我尝试了一些预处理的想法，但没有取得多大进展，包括各种类型的灰度，图像颜色反转，调整大小和备用二值化策略。这些都没有改进我原来的，未调整大小的二值化。最终我决定给Tesseract训练一个机会。我按照这里的说明操作： Manual Tesseract Training Walkthrough

我很难找到任何帮助实际在Windows 64位工作的程序，最终手工完成大部分工作。我使用jTessBoxEditor编辑手动生成的.box文件，虽然我也在文本编辑器中进行了一些编辑，以添加盒子文件生成器遗漏的缺失字符的条目。我只有这些小tiff才能工作，所以我的训练文件不符合Tesseract wiki指南，但是很好。

使用box.train时出现了一些错误：

FAIL! apply_boxes BOXFILE LINE ... failure! COULDN'T FIND A MATCHING BLOB

在非生产性的谷歌搜索后，我决定忽略它们并按下。

尝试运行cntraining时出现了更多错误：

Error: Illegal number of feature sets!
signal_termination_handler:Error:Signal_termination_handler called:Code 3001

在更多非生产性的谷歌搜索后，我基本上尝试省略了我的每个.tr文件，看看哪一个导致了问题。最终我能够用1个丢失的文件完成cntraining。我不知道这对我的输出有什么影响，但我又决定忽略它并继续前进。

我遇到了另一个运行combine_tessdata：

的问题

Error opening unicharset file
Error combining tessdata files into foo.traineddata

这是因为我需要在unicharset文件之前放置我的lang前缀，教程没有指示我这样做。完成后，我成功构建了 A 训练的数据文件。我不知道它是否会起作用，我将它放入我的tessdata目录，将我的语言切换到新的训练语言并再次尝试。

VOILA，它很完美。它似乎现在可以100％准确地识别我的数字（至少在我有限的样本量上）。我正在进行的唯一预处理是对图像进行二值化，而不进行进一步的清理或重新缩放。

所以，显然有一个小字符集，手动培训是值得的。花了我3个小时的时间来找到工作的工具，并在整个过程中克服困难。作为参考，我从14个tif开始，类似于我最初的帖子。其中四个在路上有一个错误或另一个错误加上我从cntraining中省略的1（但不是来自其他任何东西......？），所以就像... 9和2/3图像用于训练。由于我的角色的一致性，这显然已经足够了。