C# Tesseract OCR配置和图像处理

我一直在阅读Tesseract.Net包装器中关于各种图像“类型”的糟糕输出的帖子和内容，但我无法找到解决我糟糕输出的方法

下面是我试图解析的图片：

正如你所看到的，有不同的字体、大小、前景和背景。我试着用不同的量对它进行灰度化和高级化，但没有什么能接近正确解析整个图像

TesseractEngine ocr = new TesseractEngine(Path.Combine(Environment.CurrentDirectory, "tessdata"), "fra", EngineMode.Default);
ocr.SetVariable("tessedit_char_whitelist", "ABCDEFGHIJKLMNOPQRSTUVWXYZÉÈ0123456789:'");
Page pg = ocr.Process(image.ToGrayscale().ScaleByPercent(200));
MessageBox.Show(pg.GetText());

有了这段代码（让我知道

ToGrayScale（）

和

ScaleByPercent（…）

的详细信息是否有帮助），下面是我得到的输出：

8300 QÉMQ I09'0'9I

PIOII'：

这似乎对应于

Bacc。génie logiciel

&

profile:

话虽如此，我对图像转换知之甚少，因此示例或提示将大有帮助，但如果必要，我完全愿意深入研究链接的内容/文档。我应该如何处理这样的图像

---

编辑：通过一些技巧（由@Yves Daoust建议），我成功地达到了这一点：

然而，输出（右边）还不是很完美。我一直在努力为Tesseract提供配置，以便它只接受特定列表中的单词。以下是我的尝试：

var initVars = new Dictionary<string, object>() {
            { "load_system_dawg", false },
            { "user_words_suffix", "fra.user-words" },
            { "language_model_penalty_non_freq_dict_word", 1 },
            { "language_model_penalty_non_dict_word", 1 }
        };
TesseractEngine ocr = new TesseractEngine(Path.Combine(Environment.CurrentDirectory, "tessdata"), "fra", EngineMode.Default, 
            Enumerable.Empty<string>(), initVars, false);

var initVars=newdictionary（）{
{“加载系统”，false}，
{“用户词后缀”，“框架用户词”}，
{“语言、模式、惩罚、非频率、词汇”，1}，
{“语言、模式、惩罚、非命令词”，1}
};
TesseractEngine ocr=新的TesseractEngine（Path.Combine（Environment.CurrentDirectory，“tessdata”），“fra”，EngineMode.Default，
Enumerable.Empty（），initVars，false）；

---

我一直在寻找如何提供此类配置的示例，但我只找到了简短、不详细的文本解释。

您可以通过自己提取字符在很大程度上帮助Tesseract，这在这里非常简单：仅保留白色像素（以及表单其他部分的其他颜色）

---

---

顺便说一句，字符是如此可预测，以至于您可以自己进行识别（通过简单的像素级比较），而无需Tesseract的帮助。

请特别阅读二值化部分是的，我已经开始了其中提到的一些内容（很可能稍后会编辑OP，以提供有关各种测试的更多信息）。我读过“这是将图像转换为黑白。Tesseract在内部执行此操作，但结果可能不太理想，尤其是在页面背景不均匀的情况下。”对于二值化，我认为这是自动完成的，对吗？哇，这是一个简单的答案，但符合逻辑！我会试试看，看看会怎么样。我认为像素级是一种非常慢的方法，但也许我也会尝试一下（性能实际上很重要，但并不重要）@Mat：要从C#访问像素，请确保使用锁定位/解锁位机制，而不是GetPixel/SetPixel。性能上的差异是巨大的。到目前为止，我已经成功地提取出了单色，但使用这种方法，结果的准确率约为50-60%。我将尝试添加更多内容，稍后编辑OP。@Mat:生成的图像是否清晰地围绕字符？@Mat:您应该使用该特定字体训练Tesseract。正如我已经说过的，你也可以不用Tesseract。角色很感人，但你知道它们的大小，所以拆分应该不是问题。