训练Tesseract 3识别燃气表真实图像中的数字

Question

我正在尝试训练tesseract来识别燃气表真实图像中的数字。

我用于训练的图像是用相机拍摄的，因此存在许多问题：由于曝光过度，反射，阴影等原因，图像分辨率低，图像模糊，光线不足或对比度低。 。

对于训练，我创建了一个大图像，其中包含由燃气表图像捕获的一系列数字，我手动编辑文件框以创建.tr文件。结果是，只有更清晰和更清晰的图像的数字被识别，而模糊图像的数字不被tesseract捕获。

Answer 1

据我所知，你需要OpenCV来识别数字所在的框，但OpenCV不是OCR的上帝。找到方框后，只需裁剪该部分，进行图像处理，然后将其交给tesseract进行OCR。

我需要OpenCV的帮助，因为我不知道如何在OpenCV中编程。

以下是一些现实世界的例子。

• 第一张图像是原始图像（弯曲的功率计数字）
• 第二张图像在GIMP中略微清理图像，在tesseract中约为50％OCR准确度
• 第三张图片是完全清洁的图像 - 未经任何培训即可识别100％OCR！

Answer 2

我会首先尝试这个简单的ImageMagick命令：

 convert          \
    original.jpg  \
   -threshold 50% \
    result.jpg

（使用50%参数稍微玩一下 - 尝试使用越来越小的值......）

对于每个颜色通道，阈值处理基本上只留下2个值，零或最大值。低于阈值的值设置为0，高于它的值设置为255（如果工作在16位深度，则为65535）。

根据您的original.jpg，您可能会有一张OCR，工作，非常高对比度的图像。

Answer 3

我建议你：

• 使用工具编辑框，例如jTessBoxEditor，它非常有帮助，让您赢得时间。您可以从here
轻松安装
• 训练实际情况的字母（嘈杂，模糊）是个好主意。您的训练集仍然有限，您可以添加更多训练样本。

• 我建议你自己使用Tesseract的API来增强图像（去噪，标准化，锐化......） 例如：Boxa * tesseract::TessBaseAPI::GetConnectedComponents(Pixa** pixa)（它允许你到达每个角色的边界框）

  Pix * pimg = tess_api-＆gt; GetThresholdedImage（）;

Here你找到了一些例子

Answer 4

Tesseract是一个相当不错的OCR包，但没有正确预处理图像。我的经验是，如果您在将其传递给tesseract之前进行一些预处理，就可以获得良好的OCR结果。

有几个关键指针可以显着提高识别率：

1. 消除背景噪音。基本上这意味着使用平均自适应阈值处理。我还要确保角色为黑色，背景为白色。
2. 使用正确的分辨率。如果结果不佳，请向上或向下缩放图像，直到获得良好效果。你想瞄准约。字体大小14 at 300 dpi;在我的软件中处理最有效的发票。
3. 不要将图像存储为JPEG格式;使用BMP或PNG或其他不会使图像产生噪音的内容。
4. 如果您只使用一种或两种字体，请尝试使用这些字体训练tesseract。

对于第4点，如果您知道要使用的字体，有一些比使用Tesseract更好的解决方案，比如直接在图像上匹配这些字体......基本算法是找到数字并将它们与所有可能的字符（只有10个）匹配......但是，实现起来很棘手。