我的当前项目涉及将pdf中的文本转录成文本文件,我首先尝试将图像文件直接放入OCR程序(tesseract)中,但效果不佳。原始图像文件是旧的报纸,基本上有一些背景噪音,我相信tesseract会遇到问题。因此,我正在尝试在将其输入tesseract之前使用一些图像预处理。是否有适合这种情况的开源图像预处理引擎的建议?甚至更赞赏如何使用它的指示!
我的当前项目涉及将pdf中的文本转录成文本文件,我首先尝试将图像文件直接放入OCR程序(tesseract)中,但效果不佳。原始图像文件是旧的报纸,基本上有一些背景噪音,我相信tesseract会遇到问题。因此,我正在尝试在将其输入tesseract之前使用一些图像预处理。是否有适合这种情况的开源图像预处理引擎的建议?甚至更赞赏如何使用它的指示!
像@karlphillip所说,我非常怀疑是否有一个现成的预处理引擎适用于您的目的,因为预处理技术因所需结果而异。
一些清理噪声图像文本的常见方法包括: 1. 自适应阈值(Sauvola或Niblack二值化) 2. 应用比文本稍大的中值滤波器来获取背景图像,然后从原始图像中减去背景(以消除更大的噪声,例如皱纹、污渍、手写笔记等)。
OpenCV具有这些过滤器/二值化方法的实现。如果您可以访问已发表的文献,那么关于噪声文档的二值化工作相当多。
看看ScanTailor吧。它具有相当令人印象深刻的预处理功能,并且是开源的。