OCR错误纠正算法

Question

我正在数字化一大批扫描文件，使用Tesseract 3作为OCR引擎。它的输出质量一般，经常会在实际文本前后产生垃圾字符和拼写错误。

对于前一个问题，似乎有确定哪些文本是实际文本以及哪些不是的策略（其中很多文本是人名等内容），因此我正在寻找除了在字典中查找单词之外的其他解决方案。

对于拼写问题，大多数错误都源自几个字母的误分类（例如将 l、1 和 I 相互替换），因此应该存在猜测拼写错误的单词（因为英语中没有太多单词中间有“1”的情况）以及猜测适当修正的方法。

在这个领域中，最佳实践是什么？是否有可用于此类任务的免费/开源算法实现？Google搜索结果有很多论文，但并没有太多具体信息。如果没有可用的实现，那么哪些论文是一个好的起点？

- Andrew Pendleton

---

@coffee 这里有几篇文章：非交互式OCR后校正在亿级数字化项目中的应用，使用多引擎环境中的学习进行低成本OCR错误纠正，基于统计方法的自动OCR错误校正，和毕业论文: OCR错误的无监督后校正。 - Andrew Pendleton

@coffee 这些大多数都涉及修正错字，而不是消除输出中的非文本内容。 - Andrew Pendleton

Answer 1

对于“确定哪些文本是实际文本，哪些不是”，您可能需要查看与Tesseract（ISRI开发的）相同部门的rmgarbage。我编写了一个Perl实现，还有一个Ruby实现。对于1与l的问题，我正在尝试使用ocrspell（同一部门再次提供），其中他们的原始源代码可用。

我只能发布两个链接，所以缺少的链接如下：

• ocrspell：在dx.doi.org输入“10.1007/PL00013558”
• rmgarbage：搜索“Automatic Removal of Garbage Strings in OCR Text: An Implementation”
• ruby implementation：搜索“docsplit textcleaner”

- ZakW

Answer 2

对你有用的一件事是尝试这个免费的在线OCR，并将其结果与你自己的结果进行比较，看看通过调整图像（例如缩放）是否可以改善结果。

我将其用作使用OpenCV修改图像后，我自己使用tesseract时应该得到的结果的“上限”。

- Jordi Cabot