Tesseract-OCR文字识别

Posted 2021-01-20 jasonljy

放在前面：本文主要参考了这篇知乎专栏-Gemfield

时间有限，长话短说，主要是放一些资源，方便查找。

1.预处理

对于中文识别来说，不做预处理简直惨不忍睹。主要手段为

• binarize and de-noise image；
• 高斯模糊之类的blur算法；
• 缩放图像（fix text size，e.g. 12 pt should be ok)；
• 锐化（Sharpening effect）；
• fix DPI (if needed) 300 DPI is minimum；
• try to fix illumination of image (e.g. no dark part of image);
• contrast, brightness... it tends to work best when there is just black & white, i.e. no greyscale;
• 去掉图片中无关的线条;
• 高对比度；

详细的官方教程

再放一个有人制作的相关工具textcleaner ，这里有一小段介绍

2. 识别中文

下载中文语言包，简体中文的代号为chi_sim，每种语言在新时代的tesseract都应该有3种语言包：fast版、best版、raw版。fast版是考量了速度，并对准确度做了一定的妥协，apt安装的时候下载的语言包模型正是fast版。raw版是混合了新时代的LSTM模型和旧时代的模型，因此当使用raw版的时候，在命令行上可以指定 --oem 2。

• fast版chi_sim.traineddata
• best版chi_sim.traineddata
• raw版chi_sim.traineddata

我尝试使用best时报错了。。先把链接放着吧。

3. 训练

Tesseract 4.0 使用了LSTM，估计训练完后效果不错。可以先参考上面的原文章操作，这里先不写了等后面尝试了再来写。

小建议

• 使用PNG格式而不是JPEG格式，
• 如果先检测后分割两步走，注意分割后的切片可能很小，需要放缩到300dpi以上
• 如果效果不满意，可以考虑试试深度学习模型，先放个推文，后面时间在总结一下
• 再放一个介绍文本检测识别数据集的博客

（完）