对Tesseract进行特定字体的培训会产生空的tr文件

Question

我正在从事一个大学项目，该项目涉及对某些数字代码进行OCR（用其他一些字符作为分隔符，主要是'。'，'/'等）。 该数字代码（例如印在产品上的代码）通常使用“数字”字体（例如7段式字体或像素化字体等）。

因此，我正在尝试使用我在网上找到的几种数字字体来训练Tesseract，类似于这些代码所使用的那些。

问题是，Tesseract可以识别我提供的tiff文件为空白页。

我尝试过的事情： 1.使用JTesseract和qt-box创建一个.box文件（并手动调整盒子）：在这种情况下，Tesseract读取box和tiff，我得到输出“ 1 Page”，但是没有字符被识别和tr文件为空白。

1. 使用Tesseract的makebox创建.box文件-在这种情况下，根本不会创建任何盒子。

PS-我设法使用更多传统字体来很好地训练它（例如Arial） 有任何想法吗？ 我附上这样的示例字体的图像。

谢谢！

Answer 1

我设法解决了大多数问题。发布它以防其他任何人： 我做了2个步骤来让Tesseract识别我的文字：

1. 对训练图像进行图像处理-我已经应用了一些图像处理方法（主要是扩张，腐蚀和模糊）来“连接”文本中被分割或彼此分离的像素。非常重要的一点是，将相同的步骤完全应用于要送入OCR的图像。

2. 我注意到，由于某种原因，仅通过代码将图像保存为TIFF / PNG并不能将DPI设置保存在标头中（而Tesseract将其标识为0 DPI）。我以为有办法做到这一点，但是我没有时间，所以我只是在Photoshop中打开文件，然后从那里保存文件。

我不确定是步骤1,2还是两者都解决了我的问题，但是大多数字符最终都被确定了。