训练 Tesseract 3 从燃气表的真实图像中识别数字

Posted 2023-04-17

【中文标题】训练 Tesseract 3 从燃气表的真实图像中识别数字

【英文标题】：Training Tesseract 3 to recognize numbers from real images of gas meters

【发布时间】：2011-10-07 16:37:06

【问题描述】：

我正在尝试训练 tesseract 从燃气表的真实图像中识别数字。

我用于训练的图像是用相机拍摄的，因此存在很多问题：图像分辨率差、图像模糊、光线不足或由于过度曝光、反射、阴影等导致的低对比度。 .

为了训练，我创建了一个大图像，其中包含由燃气表图像捕获的一系列数字，我手动编辑了文件框以创建 .tr 文件。结果是只有更清晰和更清晰的图像的数字被识别，而模糊图像的数字未被 tesseract 捕获。

【参考方案1】：

据我所知，您需要 OpenCV 来识别数字所在的框，但 OpenCV 不是 OCR 的神。找到框后，只需裁剪该部分，进行图像处理，然后将其交给 tesseract 进行 OCR。

我需要 OpenCV 方面的帮助，因为我不知道如何在 OpenCV 中编程。

这里有几个真实的例子。

第一张图片是原始图片（裁剪后的功率计编号） 第二张图片在 GIMP 中经过略微清理，在 tesseract 中的 OCR 准确率约为 50% 第三张图像是完全清洁的图像 - 100% OCR 识别，无需任何培训！

【参考方案2】：

我会先试试这个简单的 ImageMagick 命令：

 convert          \
    original.jpg  \
   -threshold 50% \
    result.jpg

（使用50% 参数试一试——尝试使用更小和更高的值...）

阈值基本上只为每个颜色通道留下 2 个值，零或最大值。低于阈值的值设置为 0，高于阈值的值设置为 255（如果工作在 16 位深度，则设置为 65535）。

根据您的 original.jpg，您可能会得到一个支持 OCR、工作的、对比度非常高的图像。

【参考方案3】：

我建议你：

使用工具编辑框，例如jTessBoxEditor，它很有帮助，让您赢得一次。您可以从here 轻松安装它 训练实际情况（嘈杂、模糊）的字母是个好主意。您的训练集仍然有限，您可以添加更多训练样本。

我建议您自己使用 Tesseract 的 API 来增强图像（去噪、归一化、锐化...） 例如：Boxa * tesseract::TessBaseAPI::GetConnectedComponents(Pixa** pixa)（它允许您到达每个字符的边界框）

Pix* pimg = tess_api->GetThresholdedImage();

Here你找几个例子

【讨论】：

链接中的示例是关于GetComponentImages。能否举个例子说明如何使用GetConnectedComponents？

【参考方案4】：

Tesseract 是一个相当不错的 OCR 包，但不能正确预处理图像。我的经验是，如果您在将其传递给 tesseract 之前进行一些预处理，就可以获得良好的 OCR 结果。

有几个关键点可以显着提高识别率：

去除背景噪音。基本上这意味着使用平均自适应阈值。我还要确保字符是黑色的，背景是白色的。 使用正确的分辨率。如果你得到不好的结果，放大或缩小图像，直到你得到好的结果。你想瞄准大约。字体大小 14，300 dpi；在我处理发票的软件中效果最好。 不要将图像存储为 JPEG；使用 BMP 或 PNG 或其他不会使图像嘈杂的东西。 如果您只使用一种或两种字体，请尝试使用这些字体训练 tesseract。

至于第 4 点，如果您知道要使用的字体，有一些比使用 Tesseract 更好的解决方案，例如直接在图像上匹配这些字体......基本算法是找到数字并将它们匹配到所有可能的字符（只有 10 个）...不过，实现起来很棘手。