问OCR应用前的图像清理

EN

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：

1. 带有图标、图像和文本的文件-- 5-10%的准确性
2. 只有文本的文件(图像和图标被擦除)- 50-60%的准确性
3. 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。