OCR纠错：如何结合三个错误结果来减少错误

Posted 2023-04-17

技术标签:

【中文标题】OCR纠错：如何结合三个错误结果来减少错误【英文标题】：OCR error correction: How to combine three erroneous results to reduce errors 【发布时间】：2011-04-10 15:06:08 【问题描述】：

问题

我正在尝试通过组合来自三个不同 OCR 系统（tesseract、cuneinform、ocrad）的输出来改进 OCR 过程的结果。我已经进行了图像预处理（去歪斜、去斑、阈值处理等等）。我不认为这部分可以改进很多。通常要识别的文本长度在 1 到 6 个单词之间。文本的语言是未知的，它们经常包含幻想词。我在 Linux 上。首选语言是 Python。

到目前为止我所拥有的

通常每个结果都有一两个错误。但他们在不同的字符/位置有错误。错误可能是它们识别出错误的字符或它们包含不存在的字符。他们不经常忽略一个角色。

示例可能如下所示：

Xorem_ipsum
lorXYm_ipsum
lorem_ipuX

X 是错误识别字符，Y 是文本中不存在的字符。空格替换为“_”以提高可读性。

在这种情况下，我会尝试组合不同的结果。在三对之间重复使用“最长公共子串”算法，我可以获得给定示例的以下结构

or m_ipsum
lor m_ip u
orem_ip u

但是我现在卡住了。我无法将这些部分组合成一个结果。

问题

你有吗

如何结合不同的想法常见的最长子串？或者您有更好的办法解决这个问题吗？

【问题讨论】：

【参考方案1】：

这完全取决于您所使用的 OCR 引擎以及您可以获得的结果质量。您可能会发现，选择一个质量更高的 OCR 引擎，它可以为您提供置信度和边界框，首先会为您提供更好的原始结果，然后可以使用额外的信息来确定正确的结果。

使用 Linux 会限制您可以使用的 OCR 引擎。与 Windows 下可用的商业 OCR 引擎相比，我个人认为 Tesseract 为 6.5/10。

http://www.abbyy.com/ocr_sdk_linux/overview/ - SDK 可能并不便宜。

http://irislinktest.iriscorporate.com/c2-1637-189/iDRS-14-------Recognition--Image-preprocessing--Document-formatting-and-more.aspx - 适用于 Linux

http://www.rerecognition.com/ - 可作为 Linux 版本使用。该引擎被许多其他公司使用。

与 Tesseract OCR 相比，上述所有引擎都应该为您提供置信度、边界框和更好的结果。

https://launchpad.net/cuneiform-linux - 楔形文字，现已开源并在 Linux 下运行。这可能是您正在使用的三个引擎之一。如果没有，您可能应该考虑添加它。

您可能还想查看http://tev.fbk.eu/OCR/Products.html 以获取更多选项。

您能否提供一两个典型图像的样本以及引擎的 OCR 结果。还有其他方法可以提高 OCR 识别率，但这取决于图像。

【讨论】：

目前我正在使用 tesseract、楔形文字和 OCRAD。图像将来自不同的来源。有些将是照片，一些扫描和一些屏幕打印。有些有背景噪音，有些有非黑色字符... 是什么导致您的 OCR 错误？是您使用的分区算法来查找图像上的文本吗？此外，图像是否倾斜。你有没有试过去斑。在某些情况下，您还可以尝试对照片进行阈值处理以去除背景颜色。为 OCR 引擎提供良好的边界框以供阅读也可以提高识别率。像您一样阅读混合文档将是一项挑战。我已经进行了图像预处理（去歪斜、去斑、阈值处理等等）。我不认为这部分可以改进很多。听起来你正在做大部分可能的事情。让事情变得更好的唯一方法是改进用于消除噪音错误的识别引擎，开始分析其他数据，如边界框、字符置信度、字典、三元组分析等。我会尝试确定引擎正在制作的原因他们首先出现的错误 - 低分辨率？噪音？有色？看看是否可以改进。使用另一个引擎或一些边界框信息，您可能会使您的原始提案生效。我需要查看样本和 OCR 结果才能进一步制作 cmets。【参考方案2】：

也许重复“最长公共子串”，直到所有结果都相同。对于您的示例，您将在下一步中获得以下信息：