Opencv 训练Tesseract 3从煤气表的真实图像中识别数字

我正在训练tesseract从煤气表的真实图像中识别数字

我用于训练的图像是用相机拍摄的，因此存在许多问题：图像分辨率差、图像模糊、照明不良或过度曝光、反射、阴影等导致的对比度低

---

为了进行培训，我创建了一个大图像，其中包含煤气表图像捕获的一系列数字，并手动编辑文件框以创建.tr文件。结果是，只有更清晰、更清晰图像的数字被识别，而模糊图像的数字不被tesseract捕获

我会先尝试这个简单的ImageMagick命令：

 convert          \
    original.jpg  \
   -threshold 50% \
    result.jpg

（使用

50%

参数播放一段时间——尝试使用更小和更高的值…）

阈值化基本上只为每个颜色通道保留2个值，零或最大值。低于阈值的值设置为0，高于阈值的值设置为255（如果在16位深度下工作，则设置为65535）

---

根据您的原创.jpg，您可能会有一个能够进行OCR的、可工作的、对比度非常高的图像。

据我所知，您需要打开CV来识别数字所在的框，但OpenCV不是OCR的上帝。找到盒子后，只需裁剪该部分，进行图像处理，然后将其交给tesseract进行OCR

我需要OpenCV的帮助，因为我不知道如何在OpenCV中编程

这里有几个真实的例子

• 第一个图像是原始图像（交叉功率表编号）
• 第二幅图像在GIMP中是经过轻微清理的图像，在tesseract中大约有50%的OCR精度
• 第三张图像是完全清洁的图像-100%OCR识别，无需任何培训

我建议您：

• 使用一个工具来编辑框，这样，它是如此的有用，让你赢得一个时间。您可以从中轻松安装它
• 训练实际情况（嘈杂、模糊）的字母是个好主意。您的训练集仍然有限，您可以添加更多训练样本
• 我建议您使用Tesseract的API来增强图像（去噪、规格化、锐化…） 例如：

  Boxa*tesseract:：TessBaseAPI:：GetConnectedComponents（Pixa**Pixa）

  （它允许您访问每个字符的边界框）
  Pix*pimg=tess_api->GetThresholdeImage（）

---

您会发现很少有示例

Tesseract是一个相当不错的OCR软件包，但它不能正确地预处理图像。我的经验是，如果在将OCR传递给tesseract之前进行一些预处理，就可以获得良好的OCR结果

有几个关键点可以显著提高识别率：

去除背景噪音。基本上这意味着使用平均自适应阈值。我还要确保角色是黑色的，背景是白色的

使用正确的分辨率。如果结果不好，请放大或缩小图像，直到获得好结果。您希望在300 dpi时将字体大小定为14左右；在我的软件中，处理发票效果最好

不要将图像存储为JPEG格式；使用BMP或PNG或其他不会使图像产生噪声的东西

如果您只使用一种或两种字体，请尝试在这些字体上训练tesseract

---

至于第4点，如果您知道将要使用的字体，有一些比使用Tesseract更好的解决方案，比如直接在图像上匹配这些字体。。。基本算法是找到数字并将其与所有可能的字符（只有10个）匹配。。。尽管如此，实现还是很棘手。

链接中的示例是关于

getComponentImage

。您能给我一个如何使用

GetConnectedComponents

的示例吗？