R、tesseract和预处理图像中的OCR表

我正在尝试使用R中的tesseract从旧书中提取表格。以下是一个示例：

起初图像质量很差，识别率很差。然而，我设法用gimp增加了它：重缩放、灰度、颜色自动阈值、高斯模糊和/或锐化过滤器。 我还尝试了Fred的imageMagick脚本——textcleaner——并使用imageMagick成功地删除了黑线。 这就是我在R所做的：

library(tesseract)
library(magick)

img <- image_read('img.png')
img_data <- ocr(img, engine = tesseract('eng', options = list(tessedit_char_whitelist = '0123456789.-',
                                                            tessedit_pageseg_mode = 'auto',
                                                            textord_tabfind_find_tables = '1',
                                                            textord_tablefind_recognize_tables = '1')))
cat(img_data)

库（tesseract）
图书馆（magick）
img我参与了一个项目，该项目使用Tesseract从视频帧中读取数据字段，并从中创建索引电子表格。我发现效果很好的是裁剪每个文本字段（使用ffmpeg）输出每个图像、处理（使用ImageMagick，使用您提到的类似技术）、OCR，然后我让Python（类似的事情可以在R中完成）根据OCR结果创建一个电子表格。这种方法的好处是Tesseract只需处理小的单行文本图像，在我的例子中，这似乎可以改善结果（使用
-psm 7
选项）。缺点是它的处理相当密集。也许为页面的每一行创建一个图像会有所帮助

我发现培训Tesseract使用新字体/语言对我的成绩有很大帮助。这可能是乏味和耗时的，但它显著改善了我的结果，有时从0%正确到100%正确。帮助我理解这个过程。我只是跟着他们的脚步走，果然奏效了。根据我在创建训练图像方面的经验，裁剪出单个角色非常有帮助，每个角色至少有十几个，可以创建一个好的训练样本。并尝试为每个字符提供相似数量的样本；看起来，如果你在一个角色中做了很多次，Tesseract会更频繁地（错误地）给这个角色一个结果