Tesseract 假空间识别

Question

我正在使用tesseract识别序列号。这个工具可以正常工作，但是存在一些常见问题，例如零和“O”，6和5，或M和H的误识别。

除此之外，tesseract会在识别出的单词中添加空格，而图像中并没有空格。以下图像被识别为"HI 3H"。

这张图片的结果是" FBKHJ 1R1"

因此，即使图像中实际上没有空格，tesseract也会添加一个空格。有没有可能参数化tesseract的间距行为呢？

编辑

很抱歉，我忘记了补充一点，我还有包含空格的序列号。所以我不能删除识别出的序列号中的所有空格。

例如，下面这张包含空格的图像，在经过tesseract识别后变成了J4 F1583BB。除了字符识别错误之外，这张图片的空格被正确识别了。

我目前使用的tesseract参数是：

tesseract::TessBaseAPI tess;
tess.Init(NULL, "eng", tesseract::OEM_TESSERACT_ONLY);
tess.SetPageSegMode(tesseract::PSM_SINGLE_BLOCK);
tess.SetVariable("tessedit_char_whitelist",
            "ABCDEFGHIJKLMNOPQRSTUVWXYZ012345789");

char* out = tess.GetUTF8Text();
string text = string(out);

编辑

从已有的答案中可以看出，例如字母“J”和“I”之间的空格似乎比其他字符之间的空格稍微大一些。我选择的字体类型是等宽字体。这样做的原因是我认为这有助于Tesseract进行字符识别。这种等宽字体的缺点是内核（字符之间的空间）会有所变化。请参见以下来源的示例图像Source

你认为哪种字体类型能够实现更好的识别结果？

- Mr.Sheep

---

作为一个懒人，我想问一下你的串行号里面会不会包含空格？ - Thomas Ayoub

当您在TessBaseAPI对象上调用Init时，将"eng"作为第二个参数传递。这是用来指定字符集还是语言？如果是后者，您能否更改为一个选项，只涉及字母数字字符，但没有英语的语义？ - Sam Estep

不知道你怎么看，但在 FBK 中，J 和 I 之间的距离可能是一个空格，即使对于人类来说也是如此。 - UmNyobe

同样的问题在2009年就有了：https://groups.google.com/forum/#!topic/tesseract-ocr/5_3N6NShQck 我猜没有这样的参数，但不能保证... 但是也许...可以看看textord/tospace.cpp，如https://groups.google.com/forum/#!msg/tesseract-ocr/PepNaRySaHw/XzmKb_yZ7mkJ所建议的那样（都可以在谷歌上找到）。 - Micka

好的，谢谢。在提出新问题之前，我已经进行了搜索 :) 但是没有找到有用的东西，...但我会更深入地查看您提到的cpp文件。 - Mr.Sheep

Answer 1

调整参数tosp_min_sane_kn_sp可能会有帮助。我通过这样做解决了问题。

如果这不起作用，您可以尝试其他tosp_*参数，或者通过空格源代码“tospace.cpp”进行解决。

- Tony_Tong

Answer 2

我不是C++程序员，但我认为可以校准每个字母空间的宽度。 我在这个网站找到了这个参数"textord_space_size_is_variable"，它说"如果为真，则假定单词分隔符空格具有可变宽度，尽管字符具有固定的间距。"

祝你好运！ :)

- André Agostinho

---

还没有看到有这么多可调参数。我会试一试，谢谢。 - Mr.Sheep