在 tesseract C++ 中禁用字典辅助 OCR API

Question

我有一个应用程序，其中使用 tesseract API 对技术数据表进行 OCR。我这样初始化它：

tesseract::TessBaseAPI tess;
tess.Init(NULL, "eng", tesseract::OEM_TESSERACT_ONLY);

然而，即使在像这样使用自定义白名单之后

tess.SetVariable("tessedit_char_blacklist", "");
tess.SetVariable("tessedit_char_whitelist", myWhitelist);

一些数据表条目被错误识别，例如 PA3 被识别为 FAB。

如何禁用字典辅助 OCR，即 .为了不影响其他工具，我不想尽可能修改全局配置文件。

注意：这是不是 this previous question的副本，因为上述问题明确要求命令行工具，而我明确要求 tesseract API.

Answer 1

您可以简单地将惩罚设置为零：

tess.SetVariable("segment_penalty_garbage", "0");
tess.SetVariable("segment_penalty_dict_nonword", "0");
tess.SetVariable("segment_penalty_dict_frequent_word", "0");
tess.SetVariable("segment_penalty_dict_case_ok", "0");
tess.SetVariable("segment_penalty_dict_case_bad", "0");

虽然字典仍然保持活动状态，但这种方法基本上告诉算法字典命中（也包括错误的标点符号等）并不比非字典命中好。

参考the dict.cpp source code。

Answer 2

对于 tesseract 3.02，您只能在 initialization of API. See tesseract-ocr API example in C++ of changing init parameters 期间关闭字典。

Answer 3

您可以按照以下方式进行

tesseract::TessBaseAPI *api = new tesseract::TessBaseAPI();
if (api->Init(NULL, "eng"))
{
    fprintf(stderr, "Could not initialize tesseract.\n");
    exit(1);
}

if(!api->SetVariable("tessedit_enable_doc_dict", "0"))
{
    cout << "Unable to enable dictionary" << endl;
}

只需将"tessedit_enable_doc_dict"作为参数传递给SetVariable函数及其对应的布尔值。

我在 tesseractclass.h https://tesseract-ocr.github.io/a00736_source.html 头文件（第 839 行）中找到它，我想找到正确参数的最佳方法是查看它定义的值（与您的版本对应的头文件.我的是3.04）。我尝试了一些以前在互联网上找到的方法，但没有用。这是我的工作配置。

在 tesseract C++ 中禁用字典辅助 OCR API

Disable dictionary-assisted OCR in tesseract C++ API

c++

api

ocr

tesseract