通过训练 tesseract 获得更好的识别结果

Posted 2023-02-19

【中文标题】通过训练 tesseract 获得更好的识别结果

【英文标题】：achieve better recognition results via training tesseract

【发布时间】：2015-09-17 15:48:48

【问题描述】：

我有一个关于使用 tesseract 获得更好识别结果的问题。我正在使用 tesseract 来识别序列号。序列号仅由一种字体类型、字符 A-Z、0-9 组成，并且以不同的大小和长度出现。

目前我能够正确识别大约 40% 的序列号图像。图像是通过手机相机拍摄的。因此图像质量不是最好的。

特殊问题字符为 8/B、5/6。因为我只识别序列号，所以我没有使用任何字典改进，每个字符都是独立识别的。

我的问题是：是否有人已经的经验？需要多少张图片才能获得好的结果。

对于训练 tesseract，我应该使用打印后拍摄的序列号，还是应该使用原始数字序列号而不打印和拍照？

也许有人已经在这种领域有经验。

关于训练 tesseract：我已经用一些图像训练了 tesseract。因此，我打印了不同尺寸的所有字符，正确拍照并标记它们。人物5的训练照片示例

这是一个好/坏的训练示例吗？由于我只想识别单个字符而没有任何依赖关系，因此我不必使用单词进行训练。

实际上，我只用其中 3 张图像对字符 B 8 6 5 进行了训练，与原始英语 (eng) tesseract 数据库相比，这并没有带来更好的识别。

最好的问候， 克里斯托夫

【参考方案1】：

我目前正在开发一个使用 Tesseract 从屏幕截图中读取文本（字符串和数字）的 Sikuli 应用程序。我发现实现准确性的最佳方法是在对其执行 OCR 之前处理屏幕截图。但是，我正在阅读的大部分文本都是黑色背景上的绿色文本，这使其成为我的首选解决方案。我在 BufferedImage 中使用了Scalr's 方法来增加图像的大小：

BufferedImage bufImg = Scalr.resize(...)

在灰色背景上使用黑色文本立即产生更准确的结果。然后，我在创建新的 BufferedImage 时使用了 BufferedImage 的选项BufferedImage.TYPE_BYTE_GRAY 和BufferedImage.TYPE_BYTE_BINARY，分别将图像处理为灰度和黑白。

按照这些步骤，Tesseract 在处理黑色背景上的绿色文本时的准确率从 30% 提高到 85% 左右，而在处理白色背景上的普通黑色文本时准确率非常接近 100%。 （有时单词中的字母会被数字误认为是 hel10） 我希望这会有所帮助！

【讨论】：

您的链接转到了一些垃圾网站