OCR應用前的圖像清潔

Question

我在過去的幾個小時里一直在試驗PyTesser，這是一個非常好的工具。 我注意到有關PyTesser准確性的一些事情：

1. 帶有圖標，圖像和文本的文件 - 准確率為5-10％
2. 僅包含文本的文件（圖像和圖標已擦除） - 准確率為50-60％
3. 帶拉伸的文件（這是最好的部分） - 在x或y軸上面的2）拉伸文件將精度提高了10-20％

顯然Pytesser並不關心字體尺寸或圖像拉伸。 雖然有很多關於圖像處理和OCR的理論需要閱讀，但是在應用PyTesser或其他庫之前，是否有任何標准的圖像清理程序（除了擦除圖標和圖像），而不管語言是什么？

...........

哇，這篇文章現在已經很老了。 在過去的幾天里，我再次開始研究OCR。 這次我扔掉了PyTesser並使用了Tesseract引擎和ImageMagik。 直截了當地說，這就是我發現的：

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毫無疑問是市場上最好的開源OCR引擎。 此處不需要事先清潔圖像。 需要注意的是，它不適用於包含大量嵌入圖像的文件，而且我沒有找到一種方法來訓練Tesseract忽略它們。 此外，圖像中的文本布局和格式也有很大的不同。 它只適用於帶有文本的圖像。 希望這有幫助。

Answer 1

不確定你的意圖是否用於商業用途，但是如果你在一堆像圖像上執行OCR，這會產生奇跡。

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

原版的

在使用給定參數進行預處理之后。

Answer 2

事實證明， tesseract wiki有一篇文章以我能想象的最佳方式回答這個問題：

• 關於“提高[OCR]輸出質量”的插圖指南。

• 問題“提高tesseract OCR准確度的圖像處理”也可能是有意義的。

---

（初步答案，僅供記錄）

我沒有使用PyTesser ，但我已經用tesseract做了一些實驗（版本： 3.02.02 ）。

如果在彩色圖像上調用tesseract，則它首先應用全局Otsu方法對其進行二值化，然后在二進制（黑白）圖像上運行實際字符識別。

圖片來自： http ： //scikit-image.org/docs/dev/auto_examples/plot_local_otsu.html

可以看出，“全球大津”可能並不總能產生理想的結果。

為了更好地理解tesseract'看到'是將Otsu的方法應用於您的圖像，然后查看生成的圖像。

總之：提高識別率的最直接的方法是自己對圖像進行二值化（最有可能通過反復試驗找到好的閾值） ，然后將這些二值化圖像傳遞給tesseract 。

有人非常友好地發布了tesseract的api文檔 ，因此可以驗證以前有關處理管道的語句： ProcessPage - > GetThresholdedImage - > ThresholdToPix - > OtsuThresholdRectToPix

Answer 3

我知道這不是一個完美的答案。 但我想與您分享我從PyCon 2013中看到的可能適用的視頻。 它有點缺乏實現細節，但對於如何解決/改善您的問題可能只是一些指導/啟發。

鏈接到視頻

鏈接到演示文稿

如果您決定使用ImageMagick預處理源圖像。 這是一個問題，指出你很好的python綁定。

在旁注。 Tesseract非常重要。 你需要訓練它，否則它不會像它能夠那樣好/准確。