OCR应用前的图像清理
在过去的几个小时里，我一直在试验PyTesser，这是一个非常好的工具。关于PyTesser的准确性，我注意到了以下几点：
- 带有图标、图像和文本的文件-- 5-10%的准确性
- 只有文本的文件(图像和图标被擦除)- 50-60%的准确性
- 在x轴或y轴上的拉伸文件(这是最好的部分)--在x轴或y轴上拉伸文件的精度提高了10-20%。
因此，显然Pytesser不考虑字体尺寸或图像拉伸。尽管有许多关于图像处理和OCR的理论值得阅读，但是除了擦除图标和图像之外，是否有任何标准的图像清理过程需要在应用PyTesser或其他库之前完成，而不管是哪种语言？
.
哇，这篇文章现在已经很旧了。这几天我又开始了对OCR的研究。这一次，我抛弃了PyTesser，转而使用了ImageMagik的Tesseract引擎。直截了当地说，这就是我发现的：
1) You can increase the resolution with ImageMagic(There are a bunch of simple shell commands you can use)
2) After increasing the resolution, the accuracy went up by 80-90%.因此，Tesseract引擎无疑是市场上最好的开源OCR引擎。这里不需要事先进行图像清理。但要注意的是，它不适用于包含大量嵌入图像的文件，而且我也想不出一种方法来训练Tesseract忽略它们。另外，图像中的文本布局和格式也有很大的不同。它能很好的处理图片和文字。希望这能帮上忙。
回答 3
Stack Overflow用户
发布于 2014-01-23 18:36:19
事实证明，tesseract维基有一篇文章用我能想象到的最好的方式回答了这个问题：
- 关于输出“的插图指南。
- 提高OCR准确性的图像处理问题也可能令人感兴趣。
(初步答案，请记录在案)
我没有使用PyTesser，但是我已经在tesseract (版本：3.02.02)上做了一些实验。
如果在彩色图像上调用tesseract，则首先应用全局Otsu法对其进行二进制化，然后在二进制(黑白)图像上运行实际的字符识别。
图片来源：otsu.html
可以看出，“全球Otsu”可能并不总是产生理想的结果。
要更好地理解tesseract的“看见”是将Otsu的方法应用到您的图像中，然后查看生成的图像。
总结:提高识别率的最简单的方法是自己对图像进行二值化(很可能通过反复试验找到好的阈值)，然后将这些二值化的图像传递给tesseract。
有人很好地发布了http://fossies.org/dox/tesseract-ocr-3.02.02/，所以可以验证以前关于处理管道的声明：http://fossies.org/dox/tesseract-ocr-3.02.02/group__AdvancedAPI.html#ga09be3b61fd89f7803fe37cc420b92b30 -> http://fossies.org/dox/tesseract-ocr-3.02.02/group__AdvancedAPI.html#gaee19c9ea78a647420bbe99a447569995 -> http://fossies.org/dox/tesseract-ocr-3.02.02/classtesseract_1_1ImageThresholder.html#a8240c360cff397784e7e9f635d9ed7a3 -> http://fossies.org/dox/tesseract-ocr-3.02.02/classtesseract_1_1ImageThresholder.html#a9bbeac96aad481ce652816d8780b6e00。
Stack Overflow用户
发布于 2014-01-23 17:56:45
不确定您的意图是否用于商业用途，但这是工作的工作，如果您执行OCR在一堆类似的图像。
http://www.fmwconcepts.com/imagemagick/textcleaner/index.php
原创
用给定的参数进行预处理后。
https://stackoverflow.com/questions/19639703
复制相似问题
腾讯云开发者
