Tesseract OCR如何水平读取文本而不是垂直的？ (C#)

Question

我们有一个使用Tesseract进行光学字符识别（OCR）的C# .Net应用程序，可用于.tiff文件。以下是一个示例： 然后我们将数据输出到文本文件中。但是，Tesseract以竖直方式阅读数据。在我的示例图像中，它将tiff文件读取为两列数据，并且数据被从Tesseract输出，如下所示：

类型： 日期： 地址： 城市： 州： 所有者： 所有者类型： 面积： 抵押贷款： 12345 2017-04-06 100 Main St. Some City Some State John Doe Primary 10.25 Yes

我们希望Tesseract水平读取tiff文件，并使输出如下所示：

类型：12345 日期：2017-04-06 地址：100 Main St. 城市：Some City 州：Some State 所有者：John Doe 所有者类型：Primary 面积：10.25 抵押贷款：Yes

我们尝试了Tesseract的各种页面分割选项，但它们都产生了相同的结果。

是否有人遇到了这个问题？有人有什么想法吗？

- MikeTWebb

Answer 1

最初的回答： 我知道这是一个旧帖子，但今天我遇到了同样的问题。使用engine.SetVariable("tessedit_pageseg_mode", 6);设置分割模式没有起作用。而且出于某种原因，我在配置文件中也没有找到它。 解决方案：

engine.DefaultPageSegMode = PageSegMode.SingleBlock;

- Hans. M.

Answer 2

我找到了一个解决方案。Tesseract有一组配置文件。在几个配置文件中，有一个名为tessedit_pageseg_mode的设置。所有配置文件中都将此设置设置为1。1=带OSD的自动页分割。OSD=方向和脚本检测。 简而言之，这些配置文件设置覆盖了我们的命令行参数。一旦我从配置文件中删除了tessedit_pageseg_mode参数，我们的命令行参数-psm 6便可以正常工作，并且生成所需格式的输出数据。 psm=页面分割模式。6=假定单个统一文本块也可以正常工作。 -psm 4同样有效。 psm=页面分割模式。4=假定变量大小的单列文本

- MikeTWebb

Answer 3

在C#中，代码将会是这样的：

using var input = new OcrInput(somePdfStream);
var config = new TesseractConfiguration() { PageSegmentationMode = TesseractPageSegmentationMode.SingleBlock };
var result = new IronTesseract(config).Read(input);
var text = result.Text;

- Johann