我可以使用OCR来检测字体样式（粗体，斜体）吗？

Question

我有兴趣使用OCR从简单的文本中提取粗体和斜体字。例如，如果我输入一个包含文字的清晰图像：

“快速棕色狐狸跳过超过 lazy 狗。”

我想获得如下输出：粗体（“棕色”，“跳跃”），斜体（“懒惰”）

我已经考虑过使用OCRopus或Tesseract进行此操作，但文档很差，我无法判断它是否可行，或者如果它可以如何实现。

Answer 1

在Tesseract 3.0.1中有来自trunk的功能。 API中添加了一个新类 - ResultIterator，它具有您感兴趣的以下功能：

 WordFontAttributes(bool* is_bold,
                    bool* is_italic,
                    bool* is_underlined,
                    bool* is_monospace,
                    bool* is_serif,
                    bool* is_smallcaps,
                    int* pointsize,
                    int* font_id).  

实际上你可以从here.

自己看到它

Answer 2

Tesseract 3.0x基于XML的hOCR格式包括角色属性。你可能想尝试一下。

http://code.google.com/p/tesseract-ocr/issues/detail?id=377#c5