我正在一个项目中使用tesseract,想知道哪种图像输入类型能够给出最佳的输出结果。二进制和TIFF是最佳输入方式吗?还是还有其他更好的选择?
我正在一个项目中使用tesseract,想知道哪种图像输入类型能够给出最佳的输出结果。二进制和TIFF是最佳输入方式吗?还是还有其他更好的选择?
我发现TIFF格式比JPG格式提供更出色的效果,而且在所有其他类型中也是最好的。
原始的Tesseract软件仅支持TIFF文件,这让我相信它是最合适的。
pdfimages -list
,我发现它输出了一种同时具有与输入相同 dpi 的 .ccitt 和 .jpeg 的组合。然后,尝试使用 imagemagic 将其转换为较低 dpi 或其他压缩会产生不良结果。pdfimage -tiff in.pdf page ;
convert page-*.tif document.tif ;
tesseract document.tif document --psm 1 --oem 1 pdf
pdfimages -png in.pdf page ;
for png in *.png; do
tesseract... ;
done ;
pdfunite page*.pdf document.pdf
Measured on MAC M1 (10CPU) - 3456x4704 400dpi pages 6 ocr's in parallel
TIF: Time: 1466 Pages: 2520 Docs: 100 Sec/Page: 0.581746
PNG: Time: 2703 Pages: 5620 Docs: 180 Sec/Page: 0.480961
TIFFCP: Time: 1957 Pages: 4768 Docs: 269 Sec/Page: 0.410445
convert -density 300 -trim -quality 70 -flatten -sharpen 0x1.0 -deskew 40% -set option:deskew:auto-crop 10
这个步骤是瓶颈所在,对整个过程产生了巨大影响。 - undefined