进行 OCR 之前的预处理（tesseract、OpenCV）

Posted 2023-02-19

【中文标题】进行 OCR 之前的预处理（tesseract、OpenCV）

【英文标题】：Preprocessing before doing OCR (tesseract, OpenCV)

【发布时间】：2015-06-14 12:48:14

【问题描述】：

为了使用 OCR 库 tesseract 获得更好的结果，我会进行一些预处理，但不知道哪些步骤可以帮助我。

我尝试使用因子 15 调整图像大小并应用了调整的阈值（请参阅图像），但这会导致“波浪”字符，无法使用 tesseract OCR 库检测到。在底部，您可以通过 Dropbox 找到我的图片链接。原图尺寸115x18px，字高10px。

我想从背景中提取字符。哪些步骤可以带来更好的结果？我应该为 OCR 部分使用另一个 OCR 库而不是 tesseract 吗？在使用 tesseract 进行文本检测时，您一般有哪些经验？或者您更喜欢其他库还是商业库？

Dropbox Link to example image

19.6.15 更新：

OTSU 阈值作为自适应阈值可提供更好的结果。将在接下来的几天内提供有关其他答案的更新！

更新 01.07.2015 有另一个示例图像，其中序列号应使用 tesseract 识别。由于字体很小，识别结果不是很好。有什么想法可以在这里提供帮助吗？

【问题讨论】：

试试看霍夫变换函数

这里有一些脚本可能有用。 fmwconcepts.com/imagemagick

【参考方案1】：

Otsu 阈值在这里给了我更好的结果。结合距离变换和另一个阈值，我什至得到了tesseract 几乎可以识别的东西。

这是我得到的结果：

6ANFK9PC)100'0-GT

【讨论】：

能否提供您使用的 openCV 函数“distanceTransform¶”的使用属性？

我这里实际上并没有使用opencv，但我想它应该不是非常关键的参数。我的实现是在 python/numpy/skimage 中。距离变换后的重要部分是我做了另一个只有白色像素的大津阈值，而不是整个变换后的图像。但是您可以尝试其他骨架化技术或简单地侵蚀/最小过滤器

在我尝试过你的建议之后，我可以说，由于计算时间的原因，我不能使用复杂的距离变换。不幸的是，在我的情况下，应用 OTSU 阈值并使用二进制图像作为 tesseract 的输入并不能带来更好的识别。

【参考方案2】：

为什么不只是“锐化”（这将去除白色边框并细化白线）然后简单地反转黑白？

【参考方案3】：

您可能想在第二张图像上尝试少量的腐蚀和膨胀，这可能会消除角色中的一些波浪，腐蚀/膨胀的混合还会消除它们周围的小白点，这总是有助于 OCR。

查看this OpenCV 文档，该文档将为您提供一些示例代码以帮助您入门并解释其工作原理。

希望这会有所帮助。

【讨论】：

好的，谢谢，我会看看这个然后报告我的结果。

【参考方案4】：

您可以尝试查找所有轮廓并删除小面积的轮廓。 处理“wevy”字符可能更复杂。我现在唯一的想法是使用距离变换和阈值处理（使用二进制阈值）结果（找到好的阈值可能并不简单——我会尝试使用归一化距离变换的 maxValue*0.25）。

【讨论】：

好的，感谢您的评论。作为信息，第二张图片（阈值图片）只是我自己处理原始图像的建议，但正如您所见，结果是“wevy”字符。所以我也很感兴趣，如果有处理步骤可以更好地从原始图像中提取字符，尽管原始图像的质量不是那么好。