训练Tesseract 3以获取字母表格。

Question

我一直在尝试使用不同的选项来使用纯tesseract 3 OCR从字母表格中获取数据，其中我的学生将一个作为多项选择题答案标记，如下所示：

最好的输出之一是：

EEEEEEEEEEEEEEEEEEEEEEEEE
DDDDDDDDDDDDDDDDDDDDDDDDD
CCCCCCCCCCCCCCCCCCCCCCCCC
BBBBBBBEBBBBBBBBBBBBBBBBB
AAAAAAAAAAAAAAAAAAAAAAAAA
6789012345678901234567890
2222333333333344444444445
EEEEE EEEE EE EEE EEEEEEE
DDDDDD DDD DDDDDDDDDDDD
CCCCCCCCCCCCCCCCCC CCCCC
B BEBE BB BBBBBBBBBBBBBBB
AA AAA AAAAA AAAAAAAA
1234567890123455789012345
OOOOOOOOO1111111111222222

我知道我可以解析那个 .txt 文件并获得更好的结果，但是它丢失了很多信息并从一些绘制块中获取了字母。

我想知道在这种情况下我能做什么来获得更好的结果。

我还想要一个表格，将绘制的块显示为不同的字符，例如，对于图像的第一行和第二行：

01 A B C - E   26 A B C D E
02 A - C D E   27 A B C D E

如果你们有类似的经验，任何信息都会受到赞赏！提前致谢！

- Mauricio Moraes

---

看起来Tesseract将绘制的字符输出为空格，对吧？你现在唯一的问题是连续的绘制块只有一个空格。它还把6误认为是5，但这很容易解决，除此之外似乎工作得很好。你试过训练它将绘制块解释为“-”吗？或许可以试试。 - anana

就像我说的，我只尝试过普通的Tesseract。它对矩阵进行的转置让我有点害怕，哈哈！但是你认为适当的训练会奏效吗？（我仍然不知道如何训练Tesseract）有什么地方可以开始吗？类似的例子？谢谢！ - Mauricio Moraes

训练 Tesseract 的说明可以在这里找到：https://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3，但我不确定从您的图像训练有多容易，我看到它与 .tiff 文件一起使用。 - anana

https://softwarerecs.stackexchange.com/questions/34358/program-to-generate-a-csv-file-from-an-image-containing-a-table - Nicolas Raoul

Answer 1

首先，我建议您对图像进行预处理，例如加深暗部，稍微模糊一下。随意尝试直到 Tesseract 停止在填充的方框中看到字母。

其次，您有两个选择：

1. 您可以启用 hOCR 输出并尝试自己解析扫描字母的布局。hOCR 是 HTML 的子集，它包含所有识别单词的坐标。尝试找出行和列的位置。 2. 或者，尝试让 Tesseract 正确识别布局，而不是旋转 90°。

无论如何，这是我所做的：

1. 我通过 ImageMagick 运行图像： $ convert CDZjN.png -deskew 40% -contrast-stretch 7%x10% -filter lanczos -resize 250% ooo.png

2. 我为 Tesseract 创建了一个名为 t.conf 的配置文件，禁用垂直文本检测和英语词典：

textord_tabfind_vertical_text 0 load_system_dawg 0 load_freq_dawg 0 load_punc_dawg 0 load_number_dawg 0 load_unambig_dawg 0 load_bigram_dawg 0 load_fixed_length_dawgs 0

3. 我只需运行它： $ tesseract ooo.png ooo t.conf ; cat ooo.txt Tesseract Open Source OCR Engine v3.02 with Leptonica 01ABC-E 26ABCDE 02A CDE 27ABCDE o3 BCDE 28ABCDE o4 BCDE 29ABCDE o5 BCDE 30ABCDE 06ABCD. 31ABCDE 07A-CDE 32ABCDE 08ABC.E 33ABCDE o9 BCDE 34ABCDE 10A CDE 35ABCDE 11ABCD 36ABCDE 12ABC E 37ABCDE 13ABC E 38ABCDE 14ABCD 39ABCDE 15 BCDE 40ABCDE 1s BCDE 41ABCDE 17 BCDE 42ABCDE 18ABCD_ 43ABCDE 19AB DE 44ABCDE 20AB DE 45ABCDE 21ABCDE 46ABCDE 22ABCDE 47ABCDE 23ABCDE 48ABCDE 24ABCDE 49ABCDE 25ABCDE 50ABCDE

不是完美的，但可以接受。

- Karol S

---

太好了！您可以详细说明一下哪个设定可以禁用使用英文字母吗？ - anana

我不是禁用字母表，而是禁用字典。所有的“________dawg”设置都是必需的。 - Karol S

@KarolS，我知道你回答这个问题已经有一段时间了，但是那仍然对我很有帮助。谢谢！ - Mauricio Moraes

@KarolS：有没有一种方法可以逐个框进行操作？就像为每个框创建CSV类型的输出一样。 - Girish Nair