我正在努力将大量扫描文档数字化，使用Tesseract 3作为我的OCR引擎。其输出的质量是平庸的，因为它通常在实际文本之前和之后产生垃圾字符，并且在文本中产生拼写错误。
对于前一个问题，似乎必须有策略来确定哪些文本实际上是文本而哪些文本不是（大部分文本都是人的名字，所以我正在寻找除了查找以外的解决方案字典中的单词）。
对于拼写错误问题，大多数错误源于一些错误的字母分类（例如，将l，1和I替换为彼此，似乎就像应该有猜测哪些单词拼写错误的方法（因为英语中没有太多单词在其中间有“1”），并猜测适当的纠正是什么。
这个领域的最佳实践是什么？是否存在执行此类操作的算法的免费/开源实现？谷歌已经收到了很多论文，但并不是很具体。如果没有可用的实施，那么许多论文中的哪一篇会是一个很好的起点呢？
答案 0 :(得分：11)
对于“确定哪些文本实际上是文本而哪些文本不是”，您可能希望查看来自开发Tesseract（ISRI）的相同部门的rmgarbage。我写了一个Perl implementation，还有一个Ruby实现。对于1对l问题，我正在尝试ocrspell（同样来自同一部门），their original source可用。
我只能发布两个链接，所以缺少的链接是：
答案 1 :(得分：0)
对您有用的一点是尝试this free online OCR并将其结果与您的结果进行比较，看看是否通过播放图片（例如放大/缩小）可以改善结果。
我使用它作为我自己使用tesseract时应该获得的结果的“上限”（在使用OpenCV修改图像之后）。