Tesseract OCR配置和图像处理

Question

我一直在阅读各种帖子和来自Tesseract .Net包装器的各种图像“类型”的错误输出，但我无法找到解决我的错误输出的方法。

这是我要解析的图片：

正如您所看到的，有不同的字体，大小，前景和背景。我尝试对其进行灰度级处理并按不同的数量对其进行升级，但没有任何内容可以正确解析整个图像。

TesseractEngine ocr = new TesseractEngine(Path.Combine(Environment.CurrentDirectory, "tessdata"), "fra", EngineMode.Default);
ocr.SetVariable("tessedit_char_whitelist", "ABCDEFGHIJKLMNOPQRSTUVWXYZÉÈ0123456789:'");
Page pg = ocr.Process(image.ToGrayscale().ScaleByPercent(200));
MessageBox.Show(pg.GetText());

使用此代码（让我知道ToGrayScale()和ScaleByPercent(...)的详细信息是否有帮助），这是我得到的输出：

  

8300QÉMQI09'0'9I

     

PIOII'：

这似乎与Bacc. génie logiciel＆amp; Profil :。

话虽这么说，我对图像转换知之甚少，所以示例或提示会有很大帮助，但我完全愿意在必要时深入研究链接的东西/文档。我该如何处理这样的图像？

编辑：有了一些manips（由@Yves Daoust建议）我已经设法达到了这一点：

然而输出（右侧）还不是很完美。我一直在努力为Tesseract提供配置，以便它只接受某个列表中的单词。这是我的尝试：

var initVars = new Dictionary<string, object>() {
            { "load_system_dawg", false },
            { "user_words_suffix", "fra.user-words" },
            { "language_model_penalty_non_freq_dict_word", 1 },
            { "language_model_penalty_non_dict_word", 1 }
        };
TesseractEngine ocr = new TesseractEngine(Path.Combine(Environment.CurrentDirectory, "tessdata"), "fra", EngineMode.Default, 
            Enumerable.Empty<string>(), initVars, false);

我一直在寻找如何提供此类配置的示例，但我只发现了简短的，未详细说明的文字解释。

Answer 1

你可以在很大程度上通过自己提取角色来帮助Tesseract，这在这里非常简单：仅保留白色像素（以及其他颜色的形式）。

顺便说一句，角色是如此可预测，你可以自己做识别（通过简单的像素比较），没有Tesseract的帮助。