强制Tesseract匹配图案（连续四位数字）

Question

我正在尝试使用Tesseract（使用Tess4J包装器）仅匹配特定模式。该模式是四个连续的数字，应该是\d\d\d\d。这是我正在提供给tesseract的图像的非常小的子集（平面图受限，因此我谨慎发布更多内容）：http://mike724.com/view/a06771 我正在使用以下Java代码：

    File imageFile = new File("/<redacted>/file.pdf");

    Tesseract instance = Tesseract.getInstance();
    instance.setTessVariable("load_system_dawg", "F");
    instance.setTessVariable("load_freq_dawg", "F");
    instance.setTessVariable("user_words_suffix", "");
    instance.setTessVariable("user_patterns_suffix", "\\d\\d\\d\\d");

    try {
        String result = instance.doOCR(imageFile);
        System.out.println(result);
    } catch (TesseractException e) {
        System.err.println(e.getMessage());
    }

我遇到的问题是，Tesseract似乎没有遵守这些配置选项，我仍然在结果中得到文本/单词。我期望只得到房间号码（例如2950）。

- user3426373

---

Tesseract不是解析器。它只是给你读到的内容。你必须在之后选择你需要的内容！ - Alto

嗯，是的，但我想如果我“训练”tesseract，只想要数字并且只想要四个数字一组，那么它会提高准确性。现在的准确性很糟糕，完全无法使用。 - user3426373

添加一个字符白名单（0123456789）也会对您有所帮助！ - Alto

Answer 1

您没有正确配置此项。

user_patterns_suffix是用来指示包含您的模式的文本文件的文件扩展名的，例如：

user_patterns_suffix pats

这意味着你需要把一个文件放到tesseract tessdata文件夹中。

tessdata/eng.pats

假设您使用的语言为英语。
更多信息请参见此处:
http://tesseract-ocr.googlecode.com/svn/trunk/doc/tesseract.1.html#_config_files_and_augmenting_with_user_data
我记得用户模式可能不会比模式前的6个固定字符短，因此您可能无论如何都无法完成此操作，但请先尝试正确的配置。

- PorridgeBear

---

谢谢！我今天会尝试一下。 - user3426373

此外，您需要在模式开头至少有kSaneNumConcreteChars个字符，但是从我查看代码的情况来看，它被设置为0（在主分支上）。 - user3426373

Answer 2

它们看起来像是只能在初始化时使用的参数；因此，它们需要位于配置文件中，例如名为“bazaar”的文件放置在“configs”文件夹下，以便传递到“setConfigs”方法中。

instance.setConfigs(Arrays.asList("bazaar");

References:
https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.asc
https://github.com/tesseract-ocr/tesseract/wiki/ControlParams
http://tess4j.sourceforge.net/docs/docs-1.4/

- nguyenq

---

谢谢，我不知道（也找不到）Tess4J中的setConfigs方法。目前我的另一个问题是kSaneNumConcreteChars限制，但我想我只需要使用自定义版本的tesseract即可解决。 - user3426373