我该如何告诉Tesseract我的字体有特定的大小？

Question

我有一组打印机打出的图像标题，如下所示： 我知道打印机是一致的，等宽的，字符测量为14x22px（从大写字母顶部到下降者底部）。

当Tesseract检测到正确的字母边界框时，输出结果如下： 当许多字母串聚在一起时（例如第一行上的“Ea”，“tree”，“fr”和“om”），结果通常会出现问题。这些总是被错误地转录，并且占据了大部分错误。

很不爽，因为我预先知道所有字符都是特定大小的。是否可能将此信息传递给tesseract命令行工具？

生成框文件的命令如下：

tesseract foo.jpg foo batch.nochop makebox

如果可能的话，我更愿意避免在字体上训练Tesseract——我没有手动转录的样本，因此构建训练数据语料库需要一些努力。

- danvk

---

你找到解决方案了吗？最近我遇到了类似的问题。 - Yang Kui

我最终从Tesseract转换到Ocropus。请参见下面第一个答案的评论。 - danvk

五年后，Tesseract可以使用默认设置正确处理该图像。 - user202729

Answer 1

我不确定Tesseract是否像Noremac所说的那样完全忽略连接字符。实际上，我认为每当单词检测的结果不尽如人意时，它就会包含连接字符的切割，正如在Tesseract OCR引擎概述的第4.1段中所解释的那样。

我还认为，一旦它发现了固定间距文本，即使字符相连（请参见同一篇论文的图2），它也应该自动切割文本。

我知道现在回答有点晚了，但也许对一些未来的访客有所帮助！

- giubacchio

Answer 2

问题不在于字体大小，而在于字母之间的连接。如果您使用能够显示实际像素（而不是将它们模糊在一起）的程序放大上面的图片，您会看到那些组合的两个字符实际上是连接在一起的。tessearctOCR完全基于连接组件，所以如果它们有任何连接，那么它就会完全失效。我看到了几个选项：

1. 如果可能，请提供更高分辨率的图像，其中字符之间有更多的分离
2. 调整预处理以进行更严格的阈值。
   1. 我注意到第一次出现的E和a之间连接的像素较浅，因此调整阈值将删除该连接。然而，这可能会影响超出您期望的字符分离。

更新阈值时请考虑以下内容：https://groups.google.com/forum/#!topic/tesseract-ocr/JRwIz3xL45U

- Noremac

---

感谢您的解释，我之前没有意识到字符分割是基于连通组件的。在接近的字母之间添加人工白线可以显著提高OCR质量。由于我知道每个字符应该有多宽，所以很容易确定何时将2个、3个或4个字符结合在一起。我只需将框分开即可。是否有可能让Tesseract在给定盒文件的情况下OCR图像中的字符？我更喜欢绕过它的分割，因为我知道我能做得更好。 - danvk

除非您希望对每个字符执行OCR，否则我不知道有什么方法可以做到这一点。但是，这样会失去上下文，例如构成字典中有效单词的周围字符，因此准确性可能会受到影响。 - Noremac

就我个人而言，这和其他问题促使我从Tesseract转向Ocropus，后者在其管道方面更加透明。我写了几篇博客文章关于这个过程。链接 - danvk