Tesseract OCR 无法识别除法符号“÷”

Posted 2023-04-17

【中文标题】Tesseract OCR 无法识别除法符号“÷”

【英文标题】：Tesseract OCR won't recognize division symbol "÷"

【发布时间】：2015-01-13 10:24:24

【问题描述】：

我在 ios 8 中将 Tesseract 用于基于 OCR 的应用程序，但它错误地将图像中的除法“÷”符号转换为加号“+”。

例如这张图片

始终转换为文本字符串“8+4+4”。应该是“8+4÷4”。

我尝试过使用不同的训练数据语言文件“eng+equ”、“ita”，将“÷”添加到白名单，将 ocr_engine 变量设置为立方体，将图像转换为灰度或黑白，放大图像2 和 4 倍。

我尝试过的所有方法总是返回一个加号“+”而不是除号“÷”。

我尝试只使用“equ”训练的数据文件，并且确实返回了除法符号 - 但所有其他字符都是垃圾。

我已经研究这个（谷歌，***）好几天了，但无法弄清楚。

如何让 Tesseract 包含并识别除法“÷”符号？

更新：

我能做的最好的是将 AVCaptureSession 预设设置为高

AVCaptureSession *session = [[AVCaptureSession alloc] init];
session.sessionPreset = AVCaptureSessionPresetHigh;

以上尺寸的捕获图像是 676 × 405 像素。使用 Tesseract OCR UIImage 类别（图像名为'source'）对图像进行二值化：

// Binarize the source image to improve contrast (using the UIImage category provided by TesseractOCR)
UIImage *blackAndWhiteImage = [source blackAndWhite];
[self.tesseract setImage:blackAndWhiteImage];

这通常会将除号转换为文本“-1-”，但我见过“-:-”以及减号之间的其他数字和大写字符。

我可以在返回的文本中检查。但是接下来就无法知道是将返回的文本“8-1-2”视为真正的减法还是“可能”的除法。

【问题讨论】：

为什么这个问题被否决了？

不幸的是，OCR 并不完美，Tesseract 专门将它认为可能是单个字符的像素“聚集”在一起，以牺牲精度为代价来补偿较差的图像质量。本质上，Tesseract 无法分辨除法符号是印刷不良的“+”还是实际的除法符号。 Here's more reading on how Tesseract reads text.

谢谢摩根。我对此感到疑惑，但它在检测和正确转换诸如“i j : ;”之类的字符时没有问题。

您可以尝试在此处打开问题：github.com/gali8/Tesseract-OCR-iOS/issues 可能在这里您会得到答案。

【参考方案1】：

用不同的字体训练或引擎。

Here 是训练引擎的工具。 也可以看看this

或者你可以使用JTessBoxEditor

【参考方案2】：

确保您的“白名单”包括“÷”符号。

很快，这会做到：tesseract.setVariableValue("0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ:;,.!-()#&÷", forKey: "tessedit_char_whitelist")

在 Objective-C 中，代码如下：

[tesseract setVariableValue:@"0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ:;,.!-()#&÷" forKey:@"tessedit_char_whitelist"];

您可以根据需要自定义字符集。

【讨论】：

我已经试过了，结果和完全不使用白名单一样。

【参考方案3】：

似乎该符号未包含在现有数据中。您需要为该符号 train，然后将生成的训练数据与现有数据结合使用。

您可以使用jTessBoxEditor 等工具在培训过程中为您提供帮助。

【参考方案4】：

您也可以尝试通过 unicharambigs 文件捕捉这种歧义。阅读更多 https://github.com/tesseract-ocr/tesseract/blob/master/doc/unicharambigs.5.asc.

1       +       1      ÷    0

Tesseract 会将其读作“可选（上述配置中的尾随 0）将 1 个字符序列 '+' 替换为 1 个字符序列 '÷'”。

【讨论】：

您提供的链接无效。你能提供任何其他链接吗？

@Ramakrishna github.com/tesseract-ocr/tesseract/blob/master/doc/…

【参考方案5】：

在 Swift 中，更改 engineMode 对我有用

let tesseract = G8Tesseract(language: "eng")!
tesseract.engineMode = .tesseractCubeCombined