Tesseract混淆了两个数字

Question

我正在编写一个应用程序，用于从图像中扫描数字。

这些数字使用OCR-B字体，并且可能还包含"+"和">"字符。

这是我的源图像：

使用Tesseract进行扫描时效果不太好，即使将字符集限制为所提到的字符。由于我没有找到适用于Tesseract的OCRB训练文件，因此决定自己进行训练。

我创建了此培训图像并从中制作了框文件。框文件是正确的，所有字母都被正确匹配。

然后我执行了此处描述的所有步骤来创建其他必要的文件。

使用这个新训练的OCR-B tessdata-set，在源图像上得到了相当不错的结果，但有一个小错误：所有的1都被误认为是8，反之亦然。处理该图像的命令如下：

$ tesseract esr2c.tif ocrb-esr2c -l ocrb

对于源图像的输出为：

0800000001456>8 00000195731208 8 01050008 023+ 08 0301226>20

如果你交换所有的1和8，并将其与源图像进行比较，则输出将是正确的（除了最后两个字母可以忽略）。

为什么会发生这种情况？在训练过程中是否犯了一些错误？我该如何解决？

- Danilo Bargen

---

在这里发布那些数据不会有任何安全隐患吧？ - andrew cooke

@andrew 不是很严重。只是一张旧的、无效的账单，参考编号中没有任何个人信息。 - Danilo Bargen

@DaniloBargen：如果可能的话，你能分享OCR-B字体的训练数据吗？ - Ravi Gupta

@RaviGupta 我已经没有了，而且结果也不好。 - Danilo Bargen

嗨，抱歉修改了这个，跳到五年后再快进一年，那个培训有帮助你得到正确的结果吗？我的意思是，你是否继续使用Tesseract？ - Marko

Answer 1

你的文本文件中可能存在1和8字符的错误值。你可以使用jTessBoxEditor程序进行验证。如果确实存在错误值，那么请修正并重新生成语言数据文件，然后再试一遍。

- nguyenq

---

我无法让jTessBoxEditor正常工作（与imageio库有一些问题），但是我使用OwlBoxer检查了框文件（实际上我使用该工具处理了该文件），并且一切看起来都正确。 - Danilo Bargen

我还使用tesseractTrainer.py再次仔细检查了盒子文件，但仍然没有发现任何错误。 - Danilo Bargen

你能发布一下你的 box 文件链接吗？你正在训练哪个版本的 Tesseract？ - nguyenq

我正在使用Tesseract 2.04。这是框文件和相应的图像：http://w00t.ws/boxfile.tar.gz - Danilo Bargen

一开始，我就可以通过jTessBoxEditor看到，盒子文件中的前四个字符（行）位置和顺序不正确。请尝试将它们移动到正确的位置和顺序，并继续进行剩余的训练步骤。（抱歉，我还没有设置上传文件的地方。） - nguyenq

哇，这样做就行了！我没想到顺序会有任何影响 :) 感谢你的帮助！你可能想在回答中提及解决方案。 - Danilo Bargen

Answer 2

我花了一个月的时间训练Tesseract 2.04来识别OCR A扩展字体，现在它的表现非常好，使用14号字体大小时准确率超过90%。

训练图像应该是高对比度的图像。使用"GIMP"图像编辑器并执行以下操作：菜单栏中选择Colors->Info->Histogram-读取标准偏差值，然后Colors->Threshold->将"标准偏差值"写入阈值值，最后保存图像并用于训练。

使用"qt-box-editor-1.06.exe"检查和编辑您的框文件非常容易。务必检查其中所有的框和字符，这非常重要。您的框文件中某些地方可能会出现错误的1和8字符。

运行其他命令。

- yogeshjoshicolor

---

我已经解决了这个问题（请参见其他答案的评论）。在jTessBoxEditor中，盒子的顺序是错误的。无论如何，谢谢。 - Danilo Bargen

我训练了用于OCR-B的Tesseract 3.02。它在相同的训练集上返回了大约100％的准确度。但是，当我使用真实生活中的图片进行检查时，它的准确率几乎为零。你们有没有解决这个问题？ - Masri