通过培训tesseract获得更好的识别结果

Question

我对使用tesseract获得更好的识别结果有疑问。我正在使用tesseract来识别序列号。串行麻木只包含一种字体类型，字符A-Z，0-9，并且以不同的大小和长度出现。

目前，我能够识别出大约40％的序列号图像是正确的。图像通过手机摄像头拍摄。因此图像质量不是最好的。

特殊问题字符为8 / B，5/6。由于我只识别序列号，因此我没有使用任何字典改进，并且每个字符都是独立识别的。

我的问题是：是否有人已经通过培训tesseract获得更好的识别结果？需要多少图像才能获得良好的效果。

对于培训tesseract我应该使用打印和后续拍摄的序列号，还是应该使用原始数字序列号，而不打印和拍摄？

也许有人已经在这方面经历过。

关于培训tesseract：我已经用一些图像训练了tesseract。因此，我打印了不同尺寸的所有字符，拍摄并正确标记。角色5的训练照片示例

这是一个好/坏训练的例子吗？因为我只想识别没有任何依赖性的单个字符，我虽然不必使用单词进行训练。

实际上我只训练了其中3个图像用于 B 8 6 5 这些字符，与原始的英语（eng）tesseract数据库相比，这不会得到更好的识别。

最好的问候， 克里斯托弗

Answer 1

我目前正在使用Tesseract从Sikuli应用程序中读取屏幕截图中的文本（字符串和数字）。我发现实现准确性的最佳方法是在对其执行OCR之前处理屏幕截图。但是，我正在阅读的大部分文字都是绿色文字 - 黑色背景，这是我的首选解决方案。我在BufferedImage中使用了Scalr's方法来增加图像的大小：

BufferedImage bufImg = Scalr.resize(...)

立即在灰色背景上使用黑色文字产生更准确的结果。然后我在创建新的BufferedImage时使用了BufferedImage的选项BufferedImage.TYPE_BYTE_GRAY和BufferedImage.TYPE_BYTE_BINARY，分别将图像处理为灰度和黑/白。

按照这些步骤，在黑色背景上处理绿色文本时，Tesseract的准确度从30％提高到85％左右，在白色背景上处理正常的黑色文本时，准确率接近100％。 （有时单词中的字母会被数字弄错，即hel10） 我希望这有帮助！