问提高tesseract OCR准确率的图像处理

EN

1. 修复DPI (如果需要) 300 DPI是
2. 修复文本大小的最小值(例如，12磅就可以了)
3. 尝试修复文本行(纠偏和扭曲文本)
4. 尝试修复图像的照明(例如，无DPI和去噪图像

<代码>G211

没有适用于所有情况的通用命令行(有时您需要模糊和锐化图像)。但是你可以尝试一下TEXTCLEANER from Fred's ImageMagick Scripts。

如果你不喜欢命令行，也许你可以尝试使用开源scantailor.sourceforge.net或商业bookrestorer。

我绝对不是一个光学字符识别专家。但是这周我需要把文本转换成jpg格式。

我从一个彩色的RGB 445x747像素的jpg开始。我立即尝试了tesseract，程序几乎什么都没有转换。然后，我进入GIMP并执行以下操作。image>mode>grayscale image>scale image>1191x2000像素filters>enhance>unsharp掩码的值为半径= 6.8，数量= 2.69，阈值=0，然后我以100%的质量保存为新的jpg。

然后，Tesseract能够将所有文本提取到一个.txt文件中

基普是你的朋友。

根据经验，我通常使用OpenCV库应用以下图像预处理技术：

1. 重新缩放图像(如果您处理的图像的DPI小于300dpi，则建议使用此方法)：

img = cv2.resize(img，None，fx=1.2，fy=1.2，interpolation=cv2.INTER_CUBIC)

• Converting image to灰度：

img = cv2.cvtColor(img，cv2.COLOR_BGR2GRAY)

• Applying膨胀和侵蚀以消除噪声(您可以根据您的数据集调整内核大小)：

iterations=1)

• Applying = np.ones((1，1)，np.uint8) img =cv2.ilate( img，kernel，iterations=1) img= cv2.erode(img，kernel，kernel模糊，这可以通过使用以下行之一来完成(每行都有其优缺点，但是，中值模糊和双边滤波器通常比高斯模糊执行得更好)：

cv2.threshold(cv2.GaussianBlur(img，(5，5)，0)，0,255，cv2.THRESH_BINARY +cv2.THRESH_OTSU)1cv2.Threshold(cv2.双边过滤器(img，5，75，75)，0,255，cv2.THRESH_BINARY +cv2.THRESH_OTSU)1cv2.Threshold(cv2.medianBlur(img，3)，0,255，cv2.THRESH_BINARY +cv2.THRESH_OTSU)1cv2.adaptiveThreshold(cv2.GaussianBlur(img，(5，5)，0)，255，cv2.adaptiveThreshold(cv2.bilateralFilter(img，，cv2.ADAPTIVE_THRESH_GAUSSIAN_C，31，2) cv2.THRESH_BINARY 9，75，75)，255，cv2.ADAPTIVE_THRESH_GAUSSIAN_C，cv2.THRESH_BINARY，31，2) cv2.adaptiveThreshold(cv2.medianBlur(img，3)，255，cv2.ADAPTIVE_THRESH_GAUSSIAN_C，cv2.THRESH_BINARY，31，2)

我最近写了一个关于Tesseract的非常简单的指南，但它应该能让你写出你的第一个OCR脚本，并清除我在文档中遇到的一些障碍。

如果你想查看它们，这里我与你分享链接：

• Getting started with Tesseract - Part I: Introduction
• Getting started with Tesseract - Part II: Image Pre-processing