我最近尝试了PyTesser几个小时,发现它是一个非常好的工具。有几点关于PyTesser的准确性我注意到:
- 带有图标、图片和文字的文件 - 准确率为5-10%
- 只有文本的文件(图片和图标被清除)- 准确率为50-60%
- 拉伸的文件(这是最好的部分) - 在x或y轴上拉伸第2条中的文件可将准确率提高10-20%
因此,显然Pytesser不考虑字体尺寸或图像拉伸。虽然有很多关于图像处理和OCR的理论可以阅读,但无论使用哪种语言的库,在应用PyTesser或其他库之前都需要进行哪些标准的图像清洗程序(除了擦除图标和图像)?
...........
哇,这篇文章现在相当古老了。最近几天我重新开始研究OCR。这次我放弃了PyTesser,改用Tesseract引擎与ImageMagik。直截了当地说,这就是我发现的:
1) You can increase the resolution with ImageMagic(There are a bunch of simple shell commands you can use)
2) After increasing the resolution, the accuracy went up by 80-90%.
因此,Tesseract引擎无疑是市场上最好的开源OCR引擎。这里不需要进行任何图像清理。但需要注意的是,它无法处理包含大量嵌入式图像的文件,我无法找到一种训练Tesseract忽略它们的方法。另外,在图像中的文本布局和格式也会产生很大影响。它在只有文本的图片中表现出色。希望这可以帮到你。