Question

我正在编写一个应用程序来扫描图像中的数字。

这些数字使用的是OCR-B字体，也可能包含+和>个字符。

这是我的源图片：

source image

即使将字符集限制为上述字符，使用Tesseract的扫描也不是很好。由于我没有找到任何针对Tesseract的OCRB培训文件，我决定自己进行培训。

我创建了this training image并从中制作了一个盒子文件。盒子文件正确，所有字母都正确匹配。

然后我完成了所有步骤described here以创建其他必要文件。

使用这个新训练的OCR-B tessdata-set，我在源图像上得到了相当不错的结果，有一个小错误：所有1被误认为8 s，反之亦然。用于处理图像的命令是

$ tesseract esr2c.tif ocrb-esr2c -l ocrb

，源图像的输出为

0800000001456＆gt; 8 00000195731208 8 01050008 023+ 08 0301226＆gt; 20

如果您交换所有1和8并将其与源图像进行比较，则输出将是正确的（除了我可以忽略的最后两个字母）。

怎么会发生这种情况？我在培训过程中是否犯了一些错误？我该如何解决？

Answer 1

您的Box文件中的某个位置可能包含1和8的错误值（字符）。您可以使用jTessBoxEditor程序进行验证。如果是，请更正，重新生成语言数据文件，然后重试。

Answer 2

我在为OCR A扩展字体工作1个月后训练了tesseract 2.04。它的工作非常好，并且显示高于90的精度，字体大小为14。

训练图像应该是高对比度图像。使用“GIMP”图像编辑器并执行以下操作菜单颜色 - ＆gt;信息 - ＆gt; Histgram-读取标准偏差值颜色 - ＆GT;阈值 - ＆gt;将“Std Deviation value”写为Threshould值保存图片用它来训练。

使用“qt-box-editor-1.06.exe”检查并编辑您的盒子文件。它非常易于使用。选中其中的所有框和字符。这是非常重要的。你的盒子文件中的某个地方有1和8的错误字符。

运行其他cmds。