如何使tesseract在有噪音的情况下给出相关结果？

Question

我使用的是tesseract 3.0.0，我遇到了以下问题：

如果有一些东西太小，tesseract无法识别它似乎与它合并 其他片段。因此，不会返回任何相关内容。

下图显示了3个案例。只有带虚线的矩形传递给tesseract。在矩形上方是结果（V over T表示新行）。

最后一个案例是问题一个。在这种情况下，有什么方法可以改善tesseract吗？

Answer 1

据我所知，Tesseract还没有正确的图像分割（或文档分析，因为它在纪念OCR应用程序中被称为。）通常，在OCR完成之前，图像被分割为包含文本的单独区域，图片，条形码，线条等。然后，您只对文本区域应用OCR，并且不会遇到您刚才描述的问题。

早期版本的Tesseract根本没有这个功能，当你在较大的图像切割的文本的小片段上使用时，Tesseract应该仅用作线识别器，或者所谓的场级识别器。

我没有完全遵循3.0中引入的内容，可能它已经部分存在，但显然它没有按预期工作，正如您刚刚发现的那样。

还有另一个开源项目 - OCRopus，正如我所描述的那样完全解决了这个问题 - 首先是Document Analisys（又名Segmentation），然后只有OCR。他们的早期版本实际上是在完成分析步骤后使用Tesseract进行OCR。但后来他们推出了自己的OCR（仍然不是很好），并将Tesseract插件支持放在优先级列表中。

以下是您实际可以解决问题的方法：

• 如果您的图像具有非常典型的结构，您可以尝试进行一些愚蠢的分割，并在将图像传递给Tesseract之前自己剪切文本。但是，如果您希望支持各种各样的图像，请忘记它。
• 您可以查看OCRopus，看看它们的分割是否适用于您的图像。如果是，那么你可以花一些时间让OCRopus + Tesseract一起工作。
• 好吧，如果你做的不只是为了好玩，而且你重视时间，我建议你考虑像ABBYY这样真正的OCR引擎。您可以获得更高的分段和OCR开箱即用精度，当然还有专业的客户支持。

免责声明：我为ABBYY工作