如何提高Tesseract的OCR文本准确性？

Question

我使用谷歌的 Tesseract API 创建了一个基本的应用程序来识别文本，并将其与我的相机应用程序集成。它工作得很好，但唯一的问题是准确性，有时文本被识别为随机字符，我猜准确率约为50％。

此外，当它尝试在图像中扫描超过四个单词时，应用程序会崩溃。

String ocrText = baseApi.getUTF8Text();
baseApi.end();

这里的baseApi是Tesseract API类的对象。

我需要使用不同的数据结构来保存识别出的文本吗？还是有其他原因导致超过四个单词无法被识别？

- Android2390

---

你所需要的是更好的OCR引擎。 - Tomato

Answer 1

Tesseract API类提供了isValidWord方法来检查字符串是否为有效单词。您可以使用此方法来检查识别出的字符，从而提高输出的准确性。

我正在使用Tess4j进行开发，它是tesseract-ocr的Java JNA包装器，在检查后给出了相当不错的结果。

不准确的结果可能是由于文本大小引起的，请查看this。它说：“精度在10pt x 300dpi以下迅速下降，在8pt x 300dpi以下迅速下降。”

此外，无法检测超过4个单词取决于许多因素，例如测试图像的种类（具有多少功能），图像的大小，平台等。

- nexus

---

谢谢，但我想知道我们如何改善识别呢？ 例如，如果您看到Robert Theis在https://github.com/rmtheis/android-ocr上传的项目，您会发现他使用了图像增强算法，即使他使用与我相同的Tesseract API，识别率也更高。 - Android2390

当然，图像预处理可以提高OCR引擎的准确性，但需要额外的时间成本。对于预处理，您可以：增加图像的DPI，调整图像大小，还可以检查模糊/锐化。文本和背景之间的高对比度可以更好地识别。之后尝试去噪和二值化图像。这将显著提高准确性。 - nexus