tesseract无法检测到简单的两字图像中的字符

Question

我无法让tesseract识别下图中的任何字符：

当我从命令行在此图像上运行tesseract时，我得到"Empty page!!"-即没有结果-返回。根据我对Wiki的“提高质量”部分的阅读，我认为问题可能在于此图像中的单词不是词典单词。考虑到这一点，我既尝试完全禁用tesseract字典（使用load_system_dawg和load_freq_dawg配置标志），也尝试使用这些其他单词（LAO和CAUD）来扩展现有字典。这些方法都不起作用。我已经尝试过tesseract版本3、4，并且已经在Mac计算机上从源代码构建了版本5。所有人都给出了相同的结果。

[奇怪的是，如果我将图像中的确切单词输入到文字处理器中并进行屏幕截图，则可以正常工作：tesseract可以读取生成的图像。它正确地解析每个字符。这是该图片：

两张图像之间的唯一区别是，第一张图像的分辨率/质量略低。那么我是否会相信tesseract无法识别出质量稍差的图像中的字符？我有什么办法可以改善图像质量？还有其他我想念的东西吗？

提前感谢。

Answer 1

这是常见问题。您可能需要使用重新缩放，滤镜等对图像进行预处理。

有关如何执行此操作的一些参考：

https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality

https://docparser.com/blog/improve-ocr-accuracy/

Answer 2

解决方案是使用正确的page segmentation method（PSM）。就我而言，PSM 6是针对单个文本块的，它可以解决问题。