Open source 如何提高OCR结果

我试图改进开源OCR软件的结果。我正在使用tessaract，因为我发现它仍然比gocr产生更好的结果，但由于输入质量差，它存在巨大的问题。因此，我尝试使用在互联网上找到的各种工具对图像进行预处理：

• 拆开纸张
• Fred的ImageMagick脚本：TEXTCLEANER
• 手动使用GIMP

但我不能用这个糟糕的测试文档获得好的结果：（实际上只是为了测试，我不需要修改这个文件的内容）

此在线服务与此测试文档配合得非常好：

---

我想知道是否可以使用智能预处理来获得与tesseract类似的结果。与商用OCR引擎相比，开源OCR引擎真的那么糟糕吗？甚至谷歌也使用tesseract来扫描文档，所以我期待更多…

tesseract的识别精度比最好的商业产品（Abbyy FineReader）的精度稍低，但由于其本质，它更灵活。 这种灵活性有时需要一些预处理，因为Tesseract不可能管理每种情况。 实际上是谷歌使用的，因为谷歌是它的主要赞助商

您可以做的第一件事是尝试展开文本，以便至少有20个像素宽的字符或更多。由于Tesseract使用字符边界的主要部分作为特征，因此与其他算法相比，它需要具有更大的字符大小

---

您可以尝试的另一件事，总是参考您提到的测试文档，是使用自适应阈值方法对图像进行二值化（在这里您可以找到一些关于这方面的信息），因为照明中存在一些变化。Tesseract会在内部对图像进行二值化，但如果它无法做到这一点，则可能会出现这种情况（与这里的示例类似，您还可以在这里找到一些其他有用的信息）

Tesseract的识别精度略低于最佳商业图像（Abbyy FineReader）的精度，但由于它的性质，它更灵活。 这种灵活性有时需要一些预处理，因为Tesseract不可能管理每种情况。 实际上是谷歌使用的，因为谷歌是它的主要赞助商

您可以做的第一件事是尝试展开文本，以便至少有20个像素宽的字符或更多。由于Tesseract使用字符边界的主要部分作为特征，因此与其他算法相比，它需要具有更大的字符大小

---

您可以尝试的另一件事，总是参考您提到的测试文档，是使用自适应阈值方法对图像进行二值化（在这里您可以找到一些关于这方面的信息），因为照明中存在一些变化。Tesseract会在内部对图像进行二值化，但如果它无法做到这一点，则可能会出现这种情况（与这里的示例类似，您还可以在这里找到一些其他有用的信息）

提高分辨率可以改善结果。我玩了自适应阈值，它解决了光线不均匀的问题，但有白色区域的问题。我从Fred的ImageMagick脚本中找到了2种颜色，以提供更好的结果。我当前的命令如下：convert aBrG8w2_700b.jpg-resize 1600-对比度-对比度-对比度+抖动-颜色2-颜色空间灰色-对比度拉伸10%test.png&&tesseract test.png test&&cat test.txt更好，但仍然不可用。有人有更好的方法吗？区域的问题是，当使用自适应阈值时，通常意味着将图像分割成小块，然后单独对每个块进行二值化。因此，在某些块中（如您所说的白色区域），前景（文本）和背景将不同时显示，在这种情况下，二值化失败。我不知道您使用的算法有多灵活，但解决方案是从每个块的阈值中减去一个常数，这样即使没有文本，阈值也会低于白色背景。无论如何，即使您使用的阈值算法不灵活，移除这些工件应该不是什么大问题。一种方法可以是观察每个斑点的几何特性。我想了解具体点为什么Tesseract比任何商业OCR都好。我不知道真相，这只是一个简单的想法，因为它在不断进化，背后有谷歌，我认为有大量数据可供处理：）无论如何，一个具体的问题肯定是成本。关于性能（我现在正在阅读一些比较），Abbyy FineReader通常更精确，而Tesseract似乎更灵活（例如，在本测试中，识别图像标题，而Abbyy无法做到）。也许“更好”不是正确的词，你同意我编辑我的答案吗？提高分辨率可以改善结果。我玩了自适应阈值，它解决了光线不均匀的问题，但有白色区域的问题。我从Fred的ImageMagick脚本中找到了2种颜色，以提供更好的结果。我当前的命令如下：convert aBrG8w2_700b.jpg-resize 1600-对比度-对比度-对比度+抖动-颜色2-颜色空间灰色-对比度拉伸10%test.png&&tesseract test.png test&&cat test.txt更好，但仍然不可用。有人有更好的方法吗？区域的问题是，当使用自适应阈值时，通常意味着将图像分割成小块，然后单独对每个块进行二值化。因此，在某些块中（如您所说的白色区域），前景（文本）和背景将不同时显示，在这种情况下，二值化失败。我不知道您使用的算法有多灵活，但解决方案可以是从阈值o中减去一个常数