iOS .Tesseract OCR 为什么识别如此纯粹。发动机原理

我有一个关于 Tesseract OCR 原理的问题。据我了解，在形状检测之后，符号(它们的形式)被缩放(调整大小)以具有一些特定的字体大小。 这种字体大小是基于经过训练的数据。基本上，训练集定义了符号(它们的几何形状、形状)，也许是它们的表示。

我在 iOS 平台上使用 Tesseract 3.01(最新)版本。 我查看了 Tesseract 常见问题解答，查看了论坛，但我不明白为什么对于某些图像我的识别质量低。

据说字体应该大于12pt，图像应该有超过300 DPI。我做了所有必要的预处理，例如模糊(如果需要)、对比度增强。 我什至在 Tesseract OCR 中使用了其他引擎——它被称为 CUBE。

但是对于某些图像(尽管它们更大 MIN(width, height) >1000 - 我为 tesseract 重新缩放它们，我得到了不好的识别结果

http://goo.gl/l9uJMe

但在其他图像集上效果更好:

http://goo.gl/cwA9DC

那些较小的图像我不会调整它们的大小，(只是转换为灰度模式)。

如果我写的关于引擎的内容是正确的。

假设训练集基于大小为 14pt 的字体。图片中的符号被调整到某个特定的大小，我看不出在这种情况下它们没有被识别的任何原因。

我还尝试了自定义词典，以惩罚非词典单词 - 并没有给识别带来太多好处。

tesseract = new tesseract::TessBaseAPI();

GenericVector<STRING> variables_name(1),variables_value(1);
variables_name.push_back("user_words_suffix");
variables_value.push_back("user-words");

int retVal = tesseract->Init([self.tesseractDataPath cStringUsingEncoding:NSUTF8StringEncoding], NULL,tesseract::OEM_TESSERACT_ONLY, NULL, 0, &variables_name, &variables_value, false);
ok |= retVal == 0;
ok |= tesseract->SetVariable("language_model_penalty_non_dict_word", "0.2");
ok |= tesseract->SetVariable("language_model_penalty_non_freq_dict_word", "0.2");

if (!ok)
{
    NSLog(@"Error initializing tesseract!");
}

所以我的问题是我应该用另一种字体训练 tesseract 吗？

而且，老实说，我为什么要训练它？在来自 Internet 或 PC(Mac) 的默认训练数据文本上，我得到了很好的识别。

我还检查了原始 tesseract 英语训练数据，它有 38 个 tiff 文件，属于以下系列: 1) 里亚尔 2) 绿地 3)投石机 4次 5) 乔治亚州 6 ) 类(class)

图片中的字体似乎不属于这个集合。

---

Best Answer-推荐答案

在您的情况下，图像的大小不是问题。正如我从您所附的图片中看到的那样(我很惊讶之前没有人提到它)，问题是您得到不良结果的图片上的文本没有放在直线上。。 p>

Tesseract 在 OCR 过程的早期阶段所做的事情之一是检测图像布局并提取整行文本。

这张图片是说明这部分过程的最佳示例:

如您所见 the engine is expecting the text to be perpendicular to the edge of the image .

关于iOS .Tesseract OCR 为什么识别如此纯粹。发动机原理，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/20115382/