Tesseract OCR无法识别除号符号“÷”。

Question

我正在iOS 8中使用Tesseract进行基于OCR的应用程序，但它会将图像中的除法“÷”符号错误地转换为加号“+”符号。例如，这张图片总是被转换成文本字符串“8+4+4”，而不是“8+4÷4”。我尝试使用不同的训练数据语言文件"eng+equ"、"ita"，将"÷"添加到白名单中，将ocr_engine变量设置为cube，将图像转换为灰度或黑白，将图像放大2倍和4倍，但所有尝试都返回加号"+"符号而不是除法"÷"符号。我尝试只使用"equ"训练数据文件，确实可以正确返回除法符号，但其他字符都是垃圾。我已经花了几天的时间研究这个问题（谷歌、stackoverflow），但无法解决。请问如何让Tesseract包含并识别除法"÷"符号呢？更新：我所能做的最好的办法是将AVCaptureSession预设为高。

AVCaptureSession *session = [[AVCaptureSession alloc] init];
session.sessionPreset = AVCaptureSessionPresetHigh;

上述捕获的图像尺寸为 676 × 405 像素。使用 Tesseract OCR UIImage 类别（图像名为“source”）对图像进行二值化处理：

// Binarize the source image to improve contrast (using the UIImage category provided by TesseractOCR)
UIImage *blackAndWhiteImage = [source blackAndWhite];
[self.tesseract setImage:blackAndWhiteImage];

这通常会将除法符号转换为文本“-1-”，但我见过文本中的“-:-”和其他数字和大写字符在减号之间。

我可以在返回的文本中检查这一点。但是，我们不知道是否要将返回的文本“8-1-2”视为真正的减法或“可能是”除法。

- Craig Pickering

---

为什么这个问题被踩了？ - Sebastian Wramba

不幸的是，OCR技术并不完美，尤其是Tesseract会将可能是单个字符的像素“粘”在一起，以弥补图片质量差的缺点，但这样会牺牲精度。基本上，Tesseract无法区分除号符号是一个印刷不清晰的“+”还是实际的除号符号。[在这里了解更多有关Tesseract读取文本的信息] (https://tesseract-ocr.googlecode.com/git/doc/tesseracticdar2007.pdf)。 - Morgan Chen

谢谢 Morgan。我曾经想过这个问题，但它没有问题，能够正确地检测和转换像“i j :;”这样的字符。 - Craig Pickering

你可以尝试在这里打开一个问题：https://github.com/gali8/Tesseract-OCR-iOS/issues 也许你会在这里得到答案。 - arturdev

Answer 1

使用不同的字体训练OCR引擎。 这里是训练引擎的工具。 也可以参考这个链接。 或者使用JTessBoxEditor。

- Neenu

Answer 2

确保你的“白名单”中包含“÷”符号。

在Swift中，可以这样做：tesseract.setVariableValue("0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ:;,.!-()#&÷", forKey: "tessedit_char_whitelist")

在Objective-C中，代码如下：

[tesseract setVariableValue:@"0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ:;,.!-()#&÷" forKey:@"tessedit_char_whitelist"];

您可以根据需要自定义字符集。

- Mikrasya

---

我已经尝试过这个方法，结果和不使用白名单时一样。 - Craig Pickering

Answer 3

似乎现有的数据中没有包含该符号。您需要训练该符号，并将结果训练数据与现有数据组合使用。

您可以使用工具，例如jTessBoxEditor，来协助您进行训练过程。

- nguyenq

Answer 4

在 Swift 中，更改 engineMode 对我有效。

let tesseract = G8Tesseract(language: "eng")!
tesseract.engineMode = .tesseractCubeCombined

- onmyway133

Answer 5

您还可以尝试通过unicharambigs文件捕获这种歧义。了解更多信息请访问https://github.com/tesseract-ocr/tesseract/blob/master/doc/unicharambigs.5.asc。

1       +       1      ÷    0

Tesseract 会将其读作“可选地（上述配置中的尾随 0）用 1 个字符序列 '+' 替换为 1 个字符序列 '÷'”。

- baskin

---

您提供的链接无法访问。您能提供其他链接吗？ - Ramakrishna

@Ramakrishna https://github.com/tesseract-ocr/tesseract/blob/master/doc/unicharambigs.5.asc - bnunamak