Unicode 教OCR理解NSA和FISC修订

我保存着一份来自外国情报监视法庭的大量编辑文件的档案

它们带有如下所示的大段文本：

当OCR尝试处理此问题时，您会得到如下文本：

在90天内每天生成此数据。唯一的目的是

生产是为了获取外国情报信息以支持

为防止国际恐怖主义和恐怖主义而授权的个人调查

所以在OCRD版本中，有黑点的地方，只是缺少单词。有时，缺少的单词会创建一个语法正确的句子，具有不同/奇怪的含义（如上文所述）。其他时候，产生的句子毫无意义，但无论如何都是个问题。如果OCR引擎能够为这些点或类似Unicode的方块返回X，那就更好了▮▮▮▮ 相反

我想要的结果是：

在90天内每天生成此数据。唯一的目的是

生产是为了获取外国情报信息以支持XXXXXXXXXX

为防止国际恐怖主义和恐怖主义而授权的个人调查

---

我的问题是如何获得这些X。有没有办法分析图像来识别黑点？有没有办法用X或更好的unicode字符替换它们？我愿意接受任何使这看起来正确的想法，但图像编辑对我来说并不适合，也不适合深入OCR引擎进行黑客攻击。

你可能想训练Tesseract处理那些长斑点。根据blob的长度，可以指定不同数量的“X”字符。阅读培训流程