如何使用java

Question

我使用java通过Tesseract OCR从图像中提取文本。但输出由一些特殊字符组成，因为图像包含一些符号。

我想忽略所有特殊字符并仅显示文本。有什么方法可以做到吗？

Answer 1

在tesseract中，您可以设置TessBaseAPI.VAR_CHAR_WHITELIST和TessBaseAPI.VAR_CHAR_BLACKLIST以忽略某些特殊字符。

以下将使tesseract仅识别A-Z和数字

String whiteList = "ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789";
tessBaseApi.setVariable(TessBaseAPI.VAR_CHAR_WHITELIST,whiteList);

下一个片段将允许您识别除〜和fl

之外的所有内容

String blackList = "~fl";
tessBaseApi.setVariable(TessBaseAPI.VAR_CHAR_BLACKLIST,blackList );

另请注意，如tesseract github issue中所述，您不能使用 tesseract 4.0 Alpha LSTM 对字符进行黑名单或白名单，而应使用字符训练LSTM你期待你的形象。

当然，如果你想 - 你仍然可以使用3. *版本的tesseract，它的tessdata位于here