Tesseract 无法识别德语“für”

Posted 2023-04-17

【中文标题】Tesseract 无法识别德语“für”

【英文标题】：Tesseract does not recognize german "für"

【发布时间】：2018-11-03 12:59:35

【问题描述】：

我通过 docker image tesseractshadow/tesseract4re 使用 tesseract 4.0

我使用选项-l=deu 给 tesseract 提示，文本是“deutsch”（德语）。

德语单词“für”的结果仍然不好。德语单词很常见（在英语中的意思是“for”）。

Tesseract 经常检测到“fiir”或“fur”。

我能做些什么来改善这一点？

可重现的例子

docker run --name self.container_name --rm \
    --volume  $PWD:/pwd \
    tesseractshadow/tesseract4re \
    tesseract /pwd/die-fuer-das.png /pwd/die-fuer-das.png.ocr-result -l=deu

结果：

cat die-fuer-das.png.ocr-result.txt 
die fur das

图片 die_fuer_das.png：

【问题讨论】：

您是否使用了分辨率足够高的图像？可能 ü 的点只是大了几个像素并被解释为噪点？

@DanielAlbertini 质量可能会更好，但是对于每个讲德语的人来说，“für”这个词很容易看到。我添加了一个可重现的示例

是的，我可以确认我看到了 ü ;)。但对于 tesseract 来说，这可能并不容易。 ü 点都只有 3x2px。这可能太小了，因为图像中还有大小几乎相似的白色伪影。有时一个简单的升级就足以让 tesseract 正确处理。或者您可以在图像上使用一些形态学方法（例如腐蚀）

“ü vs ii”问题似乎很老了。这是 2017 年 3 月的消息。 tesseract 开发还活着吗？ groups.google.com/d/msg/tesseract-dev/8H_4K3vPRJE/if5IQu9WAwAJ

【参考方案1】：

我找到了解决方案。它必须是-l deu 否则德语不会被使用。我不小心用了-l=deu。

作品：

===> tesseract  die-fuer-das.png out  -l deu; cat out.txt
Tesseract Open Source OCR Engine v4.0.0-beta.1-262-g555f with Leptonica
die für das

语言错误：

===> tesseract  die-fuer-das.png out  -l=deu; cat out.txt
Tesseract Open Source OCR Engine v4.0.0-beta.1-262-g555f with Leptonica
die fur das