Tesseract OCR 输出不良

Question

我正在使用 Tesseract 库的 C# 包装器（如果我没记错的话，是 3.02）(https://github.com/charlesw/tesseract)。我已经让它运行并给出输出，但该输出本质上是垃圾。通常它什么也不提供，而当它确实提供一些东西时，它通常会变得一团糟。我知道它在理论上是有效的，因为我已经在一些非常完美的图像上尝试过它并且它有效。我想知道是否有人可以帮助我诊断问题并提出一些提高 Tesseract 准确性的方法。我已经将所有图像转换为黑白，分辨率设置为 300x300。我不会以编程方式进行任何直线拉直，但正如您在下面看到的，它们非常直。

这张图片效果完美

这个根本不起作用，要么产生乱码，要么什么也不产生

我尝试翻转一些示例的颜色，认为这样可能会产生更大的对比度（因为大多数文本是白色背景上的黑色，而工作文本是黑色背景上的白色文本）。但是：

根本不起作用，而

再次完美运行。

我怀疑这与“INVOICE”中字母之间的额外间距有关。但必须有某种方法可以用更紧凑的字体获得不错的结果。欢迎任何建议，我是这里的相对菜鸟。

Answer 1

如果可能，您应该考虑使用更高分辨率的图片。关于付款图像的另一个问题可能是字母之间的间隙太小。如果单个字母（几乎）连接到单词的下一个字母，Tesseract 无法检测到它们。 我建议使用像 openCV 这样的图像处理库来改善你的结果。 您可以尝试腐蚀/膨胀。如果内核使用了正确的参数，这将分隔字母。使用不同的内核看看什么最适合您。

Mat element = getStructuringElement(erosion_type,
                                   Size(2 * erosion_size + 1, 2 * erosion_size + 1),
                                   Point(erosion_size, erosion_size));

erode(src, erosion_dst, element);

当我从事项目时，使用自适应阈值对我帮助很大。我发现这比仅仅将其转换为灰度或二值图像更有效。 注意：Java 代码，在 C 中应该非常相似。

Imgproc.adaptiveThreshold(cropedIm, cropedIm, 255, Imgproc.ADAPTIVE_THRESH_GAUSSIAN_C, Imgproc.THRESH_BINARY, 29, 10);

这是我在 Pixtern 中选择你的一张图像后得到的，Pixtern 是我的一个 Android 项目（源代码在 github 上）。我使用的是适应阈值，但没有膨胀/侵蚀，结果已经相当不错了。

[已删除损坏的链接]

对于付款图像和类似图像： 尝试使用正常阈值并反转图像（黑色字体，白色背景）。同样，之后可以使用膨胀/腐蚀。 Java代码：

//results in binary image
Imgproc.threshold(cropedIm, cropedIm, 127, 255, Imgproc.THRESH_BINARY);
//Inverting image
Core.bitwise_not(cropedIm, cropedIm);

Answer 2

Tesseract 需要整页，或者更确切地说，它是针对这些页面进行训练的。 如果你给它一两个字符或单词，它就不会起作用。

我想你有更多这样的图片。将它们作为文本行缝合在一起：就像每个图像都是前一个图像之后的一行文本，它应该工作得更好。

---

此外，请确保在使用超立方体时正确设置

psm

参数。更多信息：https://www.pyimagesearch.com/2021/11/15/tesseract-page-segmentation-modes-psms-explained-how-to-improve-your-ocr-accuracy/

Answer 3

在传递到超立方体之前，我已将图像更改为高对比度灰度，但我不确定为什么它仍然无法正常工作，并且有时会不断给出垃圾信息。令人惊讶的是，输入的数字 247 被解释为 Pyl。 图像及其提取的文本是。需要准备训练数据集吗？我认为这是一个非常简单的文本，它应该与现有的默认 tessdata 一起使用。 非常感谢任何帮助。