如何使用Tesseract OCR提高文本识别能力？

Question

我在IOS中实现了Tesseract OCR进行文本识别。我预处理了输入图像并将其送入Tesseract方法中，但结果很差。

步骤:

1.腐蚀函数

2.膨胀函数

3.按位非函数

 Mat MCRregion;
 cv::dilate ( MCRregion, MCRregion, 24);
 cv::erode ( MCRregion, MCRregion, 24);
 cv::bitwise_not(MCRregion, MCRregion);

 UIImage * croppedMCRregion = [self UIImageFromCVMat:MCRregion];

    Tesseract* tesseract = [[Tesseract alloc] initWithDataPath:@"tessdata" language:@"eng"];
    [tesseract setVariableValue:@"0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz.>,'`;-:</" forKey:@"tessedit_char_whitelist"];
    [tesseract setImage:[self UIImageFromCVMat:MCRregion]];
    //                [tesseract setImage:image];
    [tesseract recognize];

    NSLog(@"%@", [tesseract recognizedText]);

输入图像：

图像链接

1.如何使用Tesseract提高文本识别率？

2.Tesseract中是否还应用了其他预处理步骤？

3.Tesseract OCR是否完成了文本去曲变？

- balajichinna

---

你的训练数据集是什么？你是否通过多张相同类型的图像来训练模型？ - Y.AL

我使用了Tesseract的训练数据，并在Tesseract中的“setVariableValue”中提到了一些字母。 - balajichinna

我建议您查看我的答案，网址为https://dev59.com/uWw15IYBdhLWcg3wQpbS#21050336。 - Y.AL

实际上，您需要使用您已有的数据进行重新训练以进行识别。正如我在回答中提到的那样，要裁剪您的实际字符，您需要使用 jTessBoxEditor 工具。 - Y.AL

Answer 1

Tesseract是一款高度可配置的软件，但其配置文档不够详细（除非您想深入研究150K行代码）。这里有一个很好的全面列表http://www.sk-spell.sk.cx/tesseract-ocr-parameters-in-302-version。

此外，请参阅https://code.google.com/p/tesseract-ocr/wiki/ControlParams和https://code.google.com/p/tesseract-ocr/wiki/ImproveQuality。

如果提供有关正在OCR的数据的更多信息，可以大幅提高质量。 例如，如果图像都是遵循某些标准MRZ格式的国民身份证或护照，则可以配置tesseract使用该信息。

对于您所附的图像（MRZ），我得到了以下结果：

IDFRADOUEL<<<<<<<<<<<<<<<<<<<<9320 
05O693202O438CHRISTIANE<<N1Z90620<3

通过使用以下配置

# disable dict, freq tables etc which would distract OCR'ing an MRZ
load_system_dawg F
load_freq_dawg F
load_unambig_dawg F
load_punc_dawg F
load_number_dawg F
load_fixed_length_dawgs F
load_bigram_dawg F
wordrec_enable_assoc F

# mrz allows only these chars
tessedit_char_whitelist 0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ<

同时请确保您的安装已经针对字体进行了训练，以获得更准确的结果。在您的情况下，似乎是OCR-B字体。

- baskin

Answer 2

不必费时地重新训练Tesseract，但是有时候使用ENG训练集就可以获得相当不错的结果。

以下几点可以帮助你提高识别率：

1. 使用二值图像作为输入，并确保黑色文字在白色背景上。 2. Tesseract默认会将没有间隔的字符组合成单词。尝试将每个字符分开并在新图片中放置，注意给字符留出充足的间距。特别是在字母和数字的组合中，Tesseract会"纠正"这些字符以匹配周围的字符。 3. 尝试使用白名单来标记图片中应该识别的不同部分。例如，在第一部分中只需要识别数字，则可以使用仅包含数字的白名单来创建Tesseract的新实例。 4. 如果您在不重置对象的情况下多次使用相同的对象，则Tesseract似乎会存储之前的结果。这意味着每次执行OCR都可能得到不同的结果。您可以重置Tesseract以解决此问题或创建一个新对象。 5. 最后，使用resultIterator浏览Tesseract返回的框，检查每个字符的大小和置信度，并据此进行过滤。

- diip_thomas

Answer 3

根据我的经验：

1.如何使用Tesseract提高文本识别率？

• 首先，进行预处理。确保输入图像是二值图像，并具有良好的阈值。 OpenCV具有一组良好的函数来应用阈值算法，例如Otsu算法以及轮廓检测，以帮助进行扭曲和旋转。

• 您还可以在OpenCV中使用轮廓检测来区分文本行。

• 一些过滤也会消除噪声，这常常会使tesseract混淆并增加处理时间。

• 为tesseract设置适当的配置（例如eng.config）。配置的完整列表在此处（http://www.sk-spell.sk.cx/tesseract-ocr-parameters-in-302-version）。一些示例包括黑名单、白名单、切割等...

• 使用适当的标志。例如，如果您正在处理文本块而不是行，则使用-psm 6。

• 如果你有足够的时间和资源，或者你的字体非常特殊（例如点矩阵），那么可以训练自己的语言数据。否则不建议这样做。

• 更近期的Tesseract版本（接近3.0）允许在同一次识别中使用多个语言文件（-l one+two）。这意味着您可以为文本和数字分别进行专门的培训。在我们的情况下，它似乎很有效。

• tesseract结果的后处理对我们来说尤其重要。例如，字符串替换常见的错误识别等。

2.Tesseract中是否应用了其他预处理步骤？

Tesseract使用leptonica库进行预处理。

3.Tesseract OCR中是否进行了文本去畸变？

我倾向于认为是的。考虑到扭曲函数是leptonica的一部分。

- Reuben L.

---

2. Tesseract默认会应用其他预处理步骤吗？
3. Tesseract OCR默认会进行文本去畸变处理吗？我编辑了我的问题，请回答问题。

- balajichinna