OCR应用前的图像清洁

Question

我在过去的几个小时里一直在试验PyTesser,这是一个非常好的工具.我注意到有关PyTesser准确性的一些事情:

1. 带有图标,图像和文本的文件 - 准确率为5-10%
2. 仅包含文本的文件(图像和图标已擦除) - 准确率为50-60%
3. 带拉伸的文件(这是最好的部分) - 在x或y轴上面的2)拉伸文件将精度提高了10-20%

显然Pytesser并不关心字体尺寸或图像拉伸.虽然有很多关于图像处理和OCR的理论需要阅读,但是在应用PyTesser或其他库之前,是否有任何标准的图像清理程序(除了擦除图标和图像),而不管语言是什么？

...........

哇,这篇文章现在已经很老了.在过去的几天里,我再次开始研究OCR.这次我扔掉了PyTesser并使用了Tesseract引擎和ImageMagik.直截了当地说,这就是我发现的:

1) You can increase the resolution with ImageMagic(There are a bunch of simple shell commands you can use)
2) After increasing the resolution, the accuracy went up by 80-90%.

因此,Tesseract Engine毫无疑问是市场上最好的开源OCR引擎.此处不需要事先清洁图像.需要注意的是,它不适用于包含大量嵌入图像的文件,而且我没有找到一种方法来训练Tesseract忽略它们.此外,图像中的文本布局和格式也有很大的不同.它只适用于带有文本的图像.希望这有帮助.

Answer 1

事实证明，tesseract维基有一篇文章以我能想象到的最好的方式回答了这个问题：

• 关于“提高[OCR]输出质量”的图解指南。

• 问题“图像处理以提高 tesseract OCR 准确性”也可能令人感兴趣。

（初步回答，仅供记录）

我没有使用过，但我用（版本：）PyTesser做了一些实验。tesseract3.02.02

如果您在彩色图像上调用 tesseract，那么它首先应用全局Otsu 方法对其进行二值化，然后在二值（黑白）图像上运行实际的字符识别。

图片来自：http://scikit-image.org/docs/dev/auto_examples/plot_local_otsu.html

可见，“全球大津”并不总是能产生理想的结果。

为了更好地理解超正方体“看到”的内容，请将大津方法应用于您的图像，然后查看生成的图像。

总之：提高识别率的最直接方法是自己对图像进行二值化（很可能您会通过反复试验找到好的阈值），然后将这些二值化图像传递给tesseract.

有人好心地发布了tesseract 的 api 文档，因此可以验证之前有关处理管道的语句：ProcessPage -> GetThresholdedImage -> ThresholdToPix -> OtsuThresholdRectToPix

Answer 2

不知道您的意图是否用于商业用途，但这使您想知道您是否在一堆类似的图像上执行OCR。

http://www.fmwconcepts.com/imagemagick/textcleaner/index.php

原版的

经过给定参数的预处理。

Answer 3

我知道这不是一个完美的答案。但我想与您分享我在 PyCon 2013 上看到的一段可能适用的视频。它有点缺乏实现细节，但可能对您如何解决/改进问题有一些指导/启发。

视频链接

演示文稿链接

如果您确实决定使用 ImageMagick 对源图像进行一些预处理。这是一个问题，它向您指出了它的不错的 python 绑定。

附带说明一下。对于 Tesseract 来说这是非常重要的事情。你需要训练它，否则它不会像它所能达到的那样好/准确。