Tesseract OCR 无法正确分割线

Question

对于我的应用程序，我需要使用 OCR 从发票中提取文本。为了实现这一目标，我将需要扫描的发票裁剪到各个列，并将这些裁剪后的图像放入超正方体中。对于大多数列来说，这都可以完美地工作，但有一些列不会分割行，并且会在同一字符串中输出所有内容。

我目前正在尝试的是使用 string.split() 方法使用“ “ 和 ” “作为参数。

下面的代码显示了我如何尝试将输出拆分为字符串数组：

public string[] ProcessFile(Image InputImage)
        {
            Bitmap WorkImage = new Bitmap(InputImage);
            string[] Output;

            Tesseract.TesseractEngine Engine = new TesseractEngine("./tessdata", "eng", EngineMode.TesseractAndCube);
            Page RawOutput = Engine.Process(WorkImage);
            string ConvertedOutput = RawOutput.GetText();
            Output = ConvertedOutput.Split(new[] { "\r\n", "\r", "\n" }, StringSplitOptions.None);
            Engine.Dispose();
            return Output;
        }

对于包含以下值的列 “产品1” “产品2” “产品3” ETC 这工作得很好，但是当列包含单独的数字时，如下所示： “1” “4” “12” “6”

它只返回“14126”。

我希望任何人都能够指出我解决这个问题的方法。 非常感谢！

Answer 1

查看 Tesseract 的 GitHub wiki github.com/tesseract-ocr/tesseract/wiki/ControlParams

您可以使用

PageSegmentationMode

、

PageSegMode.SingleBlock

来完成您正在寻找的任务。