OCR 纠错算法

Posted 2023-04-17

【中文标题】OCR 纠错算法

【英文标题】：OCR error correction algorithms

【发布时间】：2011-08-05 02:46:04

【问题描述】：

我正在将大量扫描文档数字化，并使用 Tesseract 3 作为我的 OCR 引擎。它的输出质量一般，因为它经常在实际文本之前和之后产生垃圾字符，以及文本中的拼写错误。

对于前一个问题，似乎必须有策略来确定哪些文本是真正的文本，哪些不是字典中的单词）。

对于拼写错误，大多数错误源于字母的一些错误分类（例如，将l、1 和I 相互替换），似乎应该有方法猜测哪些单词拼错了（因为英语中没有太多单词中间有“1”），并猜测正确的更正是什么。

该领域的最佳做法是什么？是否有做这种事情的算法的免费/开源实现？谷歌已经发表了很多论文，但并不具体。如果没有可用的实现，那么众多论文中的哪一个会是一个好的起点？

【问题讨论】：

@coffee 以下是一些：Non-interactive OCR Post-correction for Giga-Scale Digitization Projects、Low Cost Correction of OCR Errors Using Learning in a Multi-Engine Environment、A Statistical Approach to Automatic OCR Error Correction in Context 和 Diploma Thesis: Unsupervised Post-Correction of OCR Errors。

@coffee 不过，这些主要是处理拼写错误，而不是消除输出中的非文本。

【参考方案1】：

对于“确定哪些文本实际上是文本，哪些文本不是”，您可能需要查看来自开发 Tesseract（ISRI）的同一部门的rmgarbage。我写了一个Perl implementation 并且还有一个Ruby 实现。对于 1 与 l 的问题，我正在尝试使用 ocrspell（同样来自同一部门），their original source 可用。

我只能发两个链接，所以缺少的是：

ocrspell：在 dx.doi.org 输入“10.1007/PL00013558”] rmgarbage：搜索“自动删除 OCR 文本中的垃圾字符串：一种实现” ruby implementation：搜索“docsplit textcleaner”

【参考方案2】：

可能对您有用的方法是尝试 this free online OCR 并将其结果与您的结果进行比较，看看是否通过播放图像（例如放大/缩小）可以改善结果。

我将它用作我自己使用 tesseract 时应该得到的结果的“上限”（在使用 OpenCV 修改图像之后）。