如何提高 tesseract.js 的准确性？

Posted 2023-02-22

【中文标题】如何提高 tesseract.js 的准确性？

【英文标题】：How to improve tesseract.js accuracy?

【发布时间】：2020-03-26 07:29:02

【问题描述】：

我使用的是网站上的这段代码，但不够准确

 const worker1 = createWorker();
  const worker2 = createWorker();

  await worker1.load();
  await worker2.load();
  await worker1.loadLanguage("eng");
  await worker2.loadLanguage("eng");
  await worker1.initialize("eng");
  await worker2.initialize("eng");

  scheduler.addWorker(worker1);
  scheduler.addWorker(worker2);

  /** Add 10 recognition jobs */
  const 
    data:  text 
   = await scheduler.addJob("recognize", image);

这是我正在尝试读取其文本的图像类型：

你看起来简单易行，有时 tesseract 无法阅读它。 是否有更好的替代 tesseract.js 或任何提高准确性的方法？

【问题讨论】：

您是否尝试过对输入图像应用一些过滤，以增强对比度，例如或放大它们？我认为获得更高准确性的一种方法是对输入图像进行一些修改。

您可以从这篇文章开始：docparser.com/blog/improve-ocr-accuracy 增加对比度、图像锐化、去除噪点是一些基本的图像增强功能，可以帮助您获得更好的准确度结果。

此外，您可能需要检查阈值过滤。请参阅此代码，例如：github.com/laurenzcodes/Canvas-Threshold-Effect

您还可以深入研究边缘检测算法，例如 Sobel 算法或 Canny 算法。

我使用了您的图片的负片版本，效果很好。此外，额外的伽马校正看起来很有希望。

【参考方案1】：

使用 Tesseract 应用 OCR 时，对图像进行预处理非常重要，以便要检测的所需文本为黑色，背景为白色。为此，您可以应用一个简单的阈值来获得二值图像。这是预处理后的图像：

Tesseract 的结果

52024

我在 Python OpenCV 中实现了这种方法，但您可以将类似的策略应用到 javascript 中！

import cv2
import pytesseract

pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

# Load image and Otsu's Threshold to get a binary image
image = cv2.imread('1.png', 0)
thresh = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]

# Perform OCR
data = pytesseract.image_to_string(thresh, lang='eng', config='--psm 6')
print(data)

cv2.imshow('thresh', thresh)
cv2.waitKey()

【讨论】：

谢谢你的回答，你知道有什么特殊的node js库来实现吗？

使用 jimp 我反转了颜色，准确性得到了真正的提高，我认为这对我当前的项目来说已经足够了，但我仍然需要一些好的库来在 node js 中做到这一点，无论如何感谢你的回答。

不幸的是，我对 node.js 不太熟悉，但是一旦你找到了一个，你就可以采用相同的方法。祝你好运！

感谢有关 Jimp 的提示；我不确定为什么不能移植它，但我发现了一些看起来相似并在 Node.js 上运行的东西：Nimp