图像处理，以提高tesseract OCR的准确性
我一直在使用tesseract将文档转换为文本。文档的质量范围非常广泛，我正在寻找有关哪种图像处理可能会改善结果的提示。我注意到高度像素化的文本 - 例如由传真机生成的文本 - 对于tesseract来说特别难以处理 - 可能是角色的所有锯齿状边缘都会混淆形状识别算法。
哪种图像处理技术可以提高准确度？我一直在使用高斯模糊来平滑像素化图像并看到一些小的改进，但我希望有一种更具体的技术可以产生更好的结果。假设一个过滤器被调整为黑白图像，可以平滑不规则的边缘，然后是一个过滤器，可以增加对比度，使角色更加鲜明。
对于图像处理新手的任何一般提示？
13 个答案:
答案 0 :(得分：80)
- 修复DPI（如果需要）300 DPI最小
- 修正文字大小（例如12磅应该没问题）
- 尝试修复文本行（deskew和dewarp text）
- 尝试修复图像的照明（例如，没有图像的暗部）
- 二值化和去噪图像
没有适用于所有情况的通用命令行（有时您需要模糊和锐化图像）。但你可以尝试TEXTCLEANER from Fred's ImageMagick Scripts。
如果您不喜欢命令行，也许您可以尝试使用开源scantailor.sourceforge.net或商业bookrestorer。
答案 1 :(得分：66)
我绝不是OCR专家。但本周我需要将文本转换为jpg。
我开始使用彩色RGB 445x747像素jpg。 我立即尝试了tesseract，程序几乎没有转换。 然后我进入GIMP并做了以下事情。 图像＆gt;模式＆gt;灰度 图像＆gt;比例图像＆gt; 1191x2000像素 过滤器＆gt;增强＆gt;非锐化掩码，其值为radius = 6.8，amount = 2.69，threshold = 0 然后我以100％的质量保存为新的jpg。
然后，Tesseract能够将所有文本提取到.txt文件中
Gimp是你的朋友。
答案 2 :(得分：28)
提高图像可读性的三点： 1）调整高度和宽度可变的图像大小（图像高度和宽度乘以0.5和1和2）。 2）将图像转换为灰度格式（黑白）。 3）去除噪点像素并使其更清晰（过滤图像）。
参考下面的代码：
//Resize
public Bitmap Resize(Bitmap bmp, int newWidth, int newHeight)
{
Bitmap temp = (Bitmap)bmp;
Bitmap bmap = new Bitmap(newWidth, newHeight, temp.PixelFormat);
double nWidthFactor = (double)temp.Width / (double)newWidth;
double nHeightFactor = (double)temp.Height / (double)newHeight;
double fx, fy, nx, ny;
int cx, cy, fr_x, fr_y;
Color color1 = new Color();
Color color2 = new Color();
Color color3 = new Color();
Color color4 = new Color();
byte nRed, nGreen, nBlue;
byte bp1, bp2;
for (int x = 0; x < bmap.Width; ++x)
{
for (int y = 0; y < bmap.Height; ++y)
{
fr_x = (int)Math.Floor(x * nWidthFactor);
fr_y = (int)Math.Floor(y * nHeightFactor);
cx = fr_x + 1;
if (cx >= temp.Width) cx = fr_x;
cy = fr_y + 1;
if (cy >= temp.Height) cy = fr_y;
fx = x * nWidthFactor - fr_x;
fy = y * nHeightFactor - fr_y;
nx = 1.0 - fx;
ny = 1.0 - fy;
color1 = temp.GetPixel(fr_x, fr_y);
color2 = temp.GetPixel(cx, fr_y);
color3 = temp.GetPixel(fr_x, cy);
color4 = temp.GetPixel(cx, cy);
// Blue
bp1 = (byte)(nx * color1.B + fx * color2.B);
bp2 = (byte)(nx * color3.B + fx * color4.B);
nBlue = (byte)(ny * (double)(bp1) + fy * (double)(bp2));
// Green
bp1 = (byte)(nx * color1.G + fx * color2.G);
bp2 = (byte)(nx * color3.G + fx * color4.G);
nGreen = (byte)(ny * (double)(bp1) + fy * (double)(bp2));
// Red
bp1 = (byte)(nx * color1.R + fx * color2.R);
bp2 = (byte)(nx * color3.R + fx * color4.R);
nRed = (byte)(ny * (double)(bp1) + fy * (double)(bp2));
bmap.SetPixel(x, y, System.Drawing.Color.FromArgb
(255, nRed, nGreen, nBlue));
}
}
bmap = SetGrayscale(bmap);
bmap = RemoveNoise(bmap);
return bmap;
}
//SetGrayscale
public Bitmap SetGrayscale(Bitmap img)
{
Bitmap temp = (Bitmap)img;
Bitmap bmap = (Bitmap)temp.Clone();
Color c;
for (int i = 0; i < bmap.Width; i++)
{
for (int j = 0; j < bmap.Height; j++)
{
c = bmap.GetPixel(i, j);
byte gray = (byte)(.299 * c.R + .587 * c.G + .114 * c.B);
bmap.SetPixel(i, j, Color.FromArgb(gray, gray, gray));
}
}
return (Bitmap)bmap.Clone();
}
//RemoveNoise
public Bitmap RemoveNoise(Bitmap bmap)
{
for (var x = 0; x < bmap.Width; x++)
{
for (var y = 0; y < bmap.Height; y++)
{
var pixel = bmap.GetPixel(x, y);
if (pixel.R < 162 && pixel.G < 162 && pixel.B < 162)
bmap.SetPixel(x, y, Color.Black);
else if (pixel.R > 162 && pixel.G > 162 && pixel.B > 162)
bmap.SetPixel(x, y, Color.White);
}
}
return bmap;
}
输入图像
输出图像
答案 3 :(得分：16)
这是在一段时间之前，但它仍然可能有用。
我的经验表明，在将图像传递给tesseract之前调整内存中的图像有时会有所帮助。
尝试不同的插值模式。帖子https://stackoverflow.com/a/4756906/146003给了我很多帮助。
答案 4 :(得分：13)
通过这种方式对我来说非常有用的是Capture2Text项目的源代码。 http://sourceforge.net/projects/capture2text/files/Capture2Text/
BTW：感谢其分享这种艰苦算法的作者。特别注意文件Capture2Text \ SourceCode \ leptonica_util \ leptonica_util.c - 这是该实用程序的图像预处理的本质。
如果要运行二进制文件，可以在Capture2Text \ Output \文件夹中检查进程之前/之后的图像转换。
P.S。提到的解决方案使用Tesseract for OCR和Leptonica进行预处理。
答案 5 :(得分：12)
上面的Sathyaraj代码的Java版本：
// Resize
public Bitmap resize(Bitmap img, int newWidth, int newHeight) {
Bitmap bmap = img.copy(img.getConfig(), true);
double nWidthFactor = (double) img.getWidth() / (double) newWidth;
double nHeightFactor = (double) img.getHeight() / (double) newHeight;
double fx, fy, nx, ny;
int cx, cy, fr_x, fr_y;
int color1;
int color2;
int color3;
int color4;
byte nRed, nGreen, nBlue;
byte bp1, bp2;
for (int x = 0; x < bmap.getWidth(); ++x) {
for (int y = 0; y < bmap.getHeight(); ++y) {
fr_x = (int) Math.floor(x * nWidthFactor);
fr_y = (int) Math.floor(y * nHeightFactor);
cx = fr_x + 1;
if (cx >= img.getWidth())
cx = fr_x;
cy = fr_y + 1;
if (cy >= img.getHeight())
cy = fr_y;
fx = x * nWidthFactor - fr_x;
fy = y * nHeightFactor - fr_y;
nx = 1.0 - fx;
ny = 1.0 - fy;
color1 = img.getPixel(fr_x, fr_y);
color2 = img.getPixel(cx, fr_y);
color3 = img.getPixel(fr_x, cy);
color4 = img.getPixel(cx, cy);
// Blue
bp1 = (byte) (nx * Color.blue(color1) + fx * Color.blue(color2));
bp2 = (byte) (nx * Color.blue(color3) + fx * Color.blue(color4));
nBlue = (byte) (ny * (double) (bp1) + fy * (double) (bp2));
// Green
bp1 = (byte) (nx * Color.green(color1) + fx * Color.green(color2));
bp2 = (byte) (nx * Color.green(color3) + fx * Color.green(color4));
nGreen = (byte) (ny * (double) (bp1) + fy * (double) (bp2));
// Red
bp1 = (byte) (nx * Color.red(color1) + fx * Color.red(color2));
bp2 = (byte) (nx * Color.red(color3) + fx * Color.red(color4));
nRed = (byte) (ny * (double) (bp1) + fy * (double) (bp2));
bmap.setPixel(x, y, Color.argb(255, nRed, nGreen, nBlue));
}
}
bmap = setGrayscale(bmap);
bmap = removeNoise(bmap);
return bmap;
}
// SetGrayscale
private Bitmap setGrayscale(Bitmap img) {
Bitmap bmap = img.copy(img.getConfig(), true);
int c;
for (int i = 0; i < bmap.getWidth(); i++) {
for (int j = 0; j < bmap.getHeight(); j++) {
c = bmap.getPixel(i, j);
byte gray = (byte) (.299 * Color.red(c) + .587 * Color.green(c)
+ .114 * Color.blue(c));
bmap.setPixel(i, j, Color.argb(255, gray, gray, gray));
}
}
return bmap;
}
// RemoveNoise
private Bitmap removeNoise(Bitmap bmap) {
for (int x = 0; x < bmap.getWidth(); x++) {
for (int y = 0; y < bmap.getHeight(); y++) {
int pixel = bmap.getPixel(x, y);
if (Color.red(pixel) < 162 && Color.green(pixel) < 162 && Color.blue(pixel) < 162) {
bmap.setPixel(x, y, Color.BLACK);
}
}
}
for (int x = 0; x < bmap.getWidth(); x++) {
for (int y = 0; y < bmap.getHeight(); y++) {
int pixel = bmap.getPixel(x, y);
if (Color.red(pixel) > 162 && Color.green(pixel) > 162 && Color.blue(pixel) > 162) {
bmap.setPixel(x, y, Color.WHITE);
}
}
}
return bmap;
}
答案 6 :(得分：11)
根据经验，我通常使用OpenCV库应用以下图像预处理技术：
-
重新缩放图像（如果您处理DPI低于300 dpi的图像，建议使用此图片）：
img = cv2.resize(img, None, fx=1.2, fy=1.2, interpolation=cv2.INTER_CUBIC) -
将图像转换为灰度：
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) -
应用扩张和侵蚀来消除噪音（您可以根据数据集使用内核大小）：
kernel = np.ones((1, 1), np.uint8) img = cv2.dilate(img, kernel, iterations=1) img = cv2.erode(img, kernel, iterations=1) -
应用模糊，这可以通过使用以下行之一来完成（每个行都有其优缺点，但是，中位模糊和双边滤镜通常比高斯模糊效果更好。）：
cv2.threshold(cv2.GaussianBlur(img, (5, 5), 0), 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1] cv2.threshold(cv2.bilateralFilter(img, 5, 75, 75), 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1] cv2.threshold(cv2.medianBlur(img, 3), 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1] cv2.adaptiveThreshold(cv2.GaussianBlur(img, (5, 5), 0), 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 2) cv2.adaptiveThreshold(cv2.bilateralFilter(img, 9, 75, 75), 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 2) cv2.adaptiveThreshold(cv2.medianBlur(img, 3), 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 2)
我最近写了一篇非常简单的Tesseract指南，但是它应该让你能够编写你的第一个OCR脚本，并清除我遇到的一些障碍，当事情不像我在文档中所希望的那样清晰。< / p>
如果您想查看它们，请在此与我分享链接：
答案 7 :(得分：6)
如果图像上的光线不均匀，则自适应阈值处理非常重要。 我在这篇文章中提到了使用GraphicsMagic的预处理： https://groups.google.com/forum/#!topic/tesseract-ocr/jONGSChLRv4
GraphicsMagic还具有线性时间自适应阈值的-lat功能，我将尽快尝试。
此处描述了使用OpenCV进行阈值处理的另一种方法： http://docs.opencv.org/trunk/doc/py_tutorials/py_imgproc/py_thresholding/py_thresholding.html
答案 8 :(得分：5)
Tesseract文档通过图像处理步骤包含XPath 3.1 map的一些详细信息。
在某种程度上，Tesseract会自动应用它们。也可以告诉Tesseract写一个中间图像进行检查，即检查内部图像处理的工作情况（在上面的参考文献中搜索tessedit_write_images）。
更重要的是，Tesseract 4中的how to improve the OCR quality产生了更好的OCR结果 - 一般来说，特别是对于有一些噪音的图像。它由--oem 1启用，例如如：
$ tesseract --oem 1 -l deu page.png result pdf
（此示例选择德语）
因此，在应用一些自定义预处理图像处理步骤之前，首先测试新Tesseract LSTM模式的结果是有意义的。
（截至2017年底，Tesseract 4尚未发布，但开发版本尚可用）
答案 9 :(得分：2)
我这样做是为了从文字不是很小的图像中获得好的结果。
- 将模糊应用于原始图像。
- 应用自适应阈值。
- 应用锐化效果。
如果结果仍然不佳，请将图像缩放到150％或200％。
答案 10 :(得分：2)
使用任何OCR引擎从图像文档中读取文本有很多问题，以便获得良好的准确性。所有案例都没有固定的解决方案，但这里有一些应该考虑用来改善OCR结果的事情。
1）由于背景区域中的图像质量差/不需要的元素/斑点而存在噪声。这需要一些预处理操作，如噪声消除，这可以使用高斯滤波器或普通中值滤波器方法轻松完成。这些也可以在OpenCV中找到。
2）图像方向错误：由于方向错误，OCR引擎无法正确分割图像中的线条和单词，从而导致精度最差。
3）行的存在：在进行单词或行分割时，OCR引擎有时也会尝试将单词和行合并在一起，从而处理错误的内容，从而产生错误的结果。还有其他问题，但这些是基本问题。
这篇文章OCR application是一个示例案例，可以应用OCR结果的一些图像预处理和后处理来获得更好的OCR准确度。
答案 11 :(得分：0)
文本识别取决于多种因素以产生高质量的输出。 OCR输出在很大程度上取决于输入图像的质量。这就是每个OCR引擎都提供有关输入图像质量及其大小的准则的原因。这些准则有助于OCR引擎产生准确的结果。
我写了一篇有关python中图像处理的详细文章。请点击以下链接获取更多说明。还添加了python源代码来实现这些过程。
如果您对此主题有任何建议或更好的想法，请写评论。
答案 12 :(得分：0)
- 我写了这段代码，但我无法理解我的错误
- 我无法从一个代码实例的列表中删除 None 值，但我可以在另一个实例中。为什么它适用于一个细分市场而不适用于另一个细分市场？
- 是否有可能使 loadstring 不可能等于打印？卢阿
- java中的random.expovariate()
- Appscript 通过会议在 Google 日历中发送电子邮件和创建活动
- 为什么我的 Onclick 箭头功能在 React 中不起作用？
- 在此代码中是否有使用“this”的替代方法？
- 在 SQL Server 和 PostgreSQL 上查询，我如何从第一个表获得第二个表的可视化
- 每千个数字得到
- 更新了城市边界 KML 文件的来源？