OCR 的字距算法

Posted 2023-04-17

【中文标题】OCR 的字距算法

【英文标题】：Word distance algorithm for OCR

【发布时间】：2014-05-10 15:02:15

【问题描述】：

我正在处理 OCR 输出，我正在其中搜索特殊单词。

由于输出不干净，我根据低于特定阈值的字距查找与我的输入匹配的元素。

但是，我觉得 Levenshtein 距离或 Hamming 距离并不是最好的方法，因为 OCR 似乎总是犯同样的错误：I 代表 1，0 代表 O，Q 代表 O……以及这些“经典” 例如，错误似乎不如“A for K”重要。因此，这些距离不关心角色外观的差异量（低/高）。

是否有任何专门为 OCR 制作的字距算法，我可以使用它更适合我的情况？还是我应该根据字符的视觉差异经验性地实现我的自定义词距？

【问题讨论】：

如果你读过 tesseract 源代码，你会看到它特别处理了很多这样的情况

你在 64 位 JVM 上使用 tesseract ocr 吗？

@manu 不，我使用 ABBYY FineReader。

那么您正在使用试用版

@manu 不，这不是试用版。为什么问？付费版有什么我应该知道的隐藏内容吗？

【参考方案1】：

Levenshtein 距离允许您为每个替换对指定不同的成本（http://en.wikipedia.org/wiki/Levenshtein_distance#Possible_modifications，第五项）。因此，您可以通过或多或少地强调常见错误来调整它以适应您的需求。

【讨论】：

我将根据 char 值对两个字符串之间的每个 levenshtein 操作的成本在 0 和 1 之间进行尝试。那应该给我一个双倍的距离。

这个问题你解决了吗？让我知道你没有。我为 ABBYY 工作，随时准备为您提供帮助。

【参考方案2】：

如果您想要一个用于字母不匹配的自定义成本函数，您可以查看 Needleman–Wunsch 算法 (NW)

***http://en.wikipedia.org/wiki/Needleman%E2%80%93Wunsch_algorithm NW算法相关的OCR论文http://oro.open.ac.uk/20855/1/paper-15.pdf

【讨论】：

这是一本好书。使用 Needleman-Wunsch 在具有两个不同 OCR 输出的第一遍中查找分类名称。然后使用这些名称在所有文档的第二遍中找到这些难词。它可以工作。