Tesseract OCR 输出错误

Question

我正在使用 Tesseract 库的 c# 包装器（如果我没记错的话是 3.02）(https://github.com/charlesw/tesseract)。我得到它运行并提供输出，但该输出基本上是垃圾。通常它什么都不给，而当它确实给了一些东西时，它通常是一团糟。我知道它在理论上是有效的，因为我已经在一些非常完美的图像上尝试过它并且它有效。我想知道是否有人可以帮助我诊断问题并提出一些可以提高 Tesseract 准确性的方法。我已经将所有图像转换为黑白图像，分辨率设置为 300x300。我没有以编程方式拉直任何直线，但正如您在下面看到的那样，它们非常直。

这张图片效果很好

这个根本不起作用，要么产生乱码，要么什么都不产生

我尝试翻转颜色，认为它可能会产生更大的对比度（因为大多数文本是白底黑字，而有效的是黑底白字）。但是：

根本不起作用，而

再次完美运行。

我怀疑这与 "INVOICE." 中字母之间的额外间距有关，但必须有某种方法可以使用更紧凑的字体获得不错的结果。欢迎任何建议，我是这里的相对菜鸟。

Answer 1

如果可能，您应该考虑使用分辨率更高的图片。 Lockheed Martin 和 Payments 图像的另一个问题可能是字母之间的间隙太小。如果单个字母（几乎）连接到单词的下一个字母，则 Tesseract 无法检测到它们。我会建议像 openCV 这样的图像处理库来改善你的结果。你可以试试 erosion/dilation。如果内核使用了正确的参数，这将分隔字母。使用不同的内核，看看哪种内核最适合您。

Mat element = getStructuringElement(erosion_type,
                                   Size(2 * erosion_size + 1, 2 * erosion_size + 1),
                                   Point(erosion_size, erosion_size));

erode(src, erosion_dst, element);

当我在做我的项目时，使用自适应阈值对我帮助很大。我发现这比将其转换为灰度或二值图像更有效。注意：Java 代码，虽然在 C 中应该非常相似。

Imgproc.adaptiveThreshold(cropedIm, cropedIm, 255, Imgproc.ADAPTIVE_THRESH_GAUSSIAN_C, Imgproc.THRESH_BINARY, 29, 10);

这是我在 Pixtern 中选择您的一张图片后得到的结果，Pixtern 是我的一个 android 项目（github 上的源代码）。我使用的是自适应阈值，但没有 dilation/erosion，结果已经很好了。

Image after applying adaptive threshold

Result （图片=洛克希德马丁航空公司）

对于付款图片和类似图片：尝试使用正常阈值并反转图像（黑色字体，白色背景）。同样，dilation/erosion 之后可以使用。 Java代码：

//results in binary image
Imgproc.threshold(cropedIm, cropedIm, 127, 255, Imgproc.THRESH_BINARY);
//Inverting image
Core.bitwise_not(cropedIm, cropedIm);

Answer 2

Tesseract 需要整个页面，或者更确切地说，它是在这些页面上进行训练的。如果你给它一两个字符或单词，它就不会很好地工作。

我假设你有更多这样的图片。将它们作为文本行拼接在一起：就像每个图像都是前一个图像之后的一行文本一样，它应该会更好。

此外，确保在使用 tesseract 时正确设置 psm 参数。更多相关信息：https://www.pyimagesearch.com/2021/11/15/tesseract-page-segmentation-modes-psms-explained-how-to-improve-your-ocr-accuracy/

Tesseract OCR 输出错误

Tesseract OCR gives bad output

c#

bitmap

tesseract