提高 Tesseract 检测质量

Posted 2023-04-17

【中文标题】提高 Tesseract 检测质量

【英文标题】：Improve Tesseract detection quality

【发布时间】：2015-02-19 15:30:57

【问题描述】：

我正在尝试从使用消费类相机（包括手机）拍摄的图像中提取无法形成有意义的单词的字母数字字符 (a-z0-9)。字符具有相同的大小和字体类型，并且没有格式化。实际处理是在Windows下完成的。

下图显示了原始输入：

透视处理后，我在 OpenCV 中应用以下内容：

从 RGB 转换为灰色 应用cv::medianBlur 去除噪音 使用自适应阈值处理将图像转换为二进制cv::adaptiveThreshold 我知道网格的行数和列数。因此，我只需使用这些信息提取每个网格单元。

完成所有这些步骤后，我得到的图像看起来类似于：

然后我在每个提取的单元格图像上单独运行 tesseract（具有最新训练数据的最新 SVN 版本）（我尝试了不同的 -psm 和 -l 值）：

tesseract.exe -l eng -psm 11 sample.png outtext

tesseract产生的结果不是很好：

大多数字符无法识别。 网格线有时被解释为“l”或“i”字符。

我已经尝试过形态学操作（打开、关闭、侵蚀、扩张），并用 OTSU 阈值 (THRESH_OTSU) 替换了自适应阈值，但结果变得更糟。

我还可以尝试什么来提高识别质量？或者除了使用tesseract（例如模板匹配）之外，还有更好的方法来提取字符吗？

编辑（21-12-2014）： 我测试了简单的模板匹配（使用标准化互相关和 LMS，但结果更差）。但是我向前迈出了一大步，使用findCountours 提取每个字符，然后只使用一个字符运行 tesseract，并使用-psm 10 选项将每个输入图像解释为单个字符。另外，我在后处理步骤中删除了非字母数字字符。第一个结果令人鼓舞，检出率达到 90% 甚至更高。主要问题是“9”、“g”和“q”字符的误检测。

问候，

【参考方案1】：

正如我所说的here，您可以告诉 tesseract 关注“几乎相同”的字符。 此外，tesseract 中有一些选项在您的示例中对您没有帮助。 例如，“Pocahonta5S”在大多数情况下会变成“PocahontaSS”，因为数字是一个字母词。你可以这样看。

关于预处理，您最好使用锐化滤镜。 不要忘记，tesseract 在阅读任何内容之前总是会应用 Otsu 的过滤器。 如果你想要好的结果，锐化 + 自适应阈值与其他一些过滤器是个好主意。

【参考方案2】：

我建议将 OpenCV 与 tesseract 结合使用。

tesseract 输入图像中的问题是图像中的非字符区域。

我自己的方法

为了摆脱这些，我会使用 openCV findContour 函数来接收二进制图像中的所有轮廓。然后定义一些标准来照亮非字符区域。例如只取图像内部且不接触边界的区域，或者只取具有特定区域面积或特定高宽比的区域。找到某种特征，让您区分字符和非字符轮廓。 然后消除这些非字符区域并将图像转发到 tesseract。

正如一般测试此方法的想法：

消除非字符区域手册（gimp或paint，...）并将图像提供给tesseract。如果结果符合您的预期，您可以尝试使用上述建议的方法消除非字符区域。

【参考方案3】：

我建议在我的案例中使用类似的方法。 （我只有速度的问题，如果只是比较一些字符，你不应该有）

首先：使表单具有默认大小并对其进行转换： https://www.youtube.com/watch?v=W9oRTI6mLnU

第二：使用matchTemplate Improve template matching with many templates for one Image/ find characters on image

我也玩过 OCR，但我不喜欢它，原因有两个：

某种黑盒，难以调试，为什么无法识别 就我而言，无论我做什么，即使是带有“完美”字符的屏幕截图，它也永远不会 100% 准确。