使用模糊文本改善Tesseract OCR结果

Question

我正在研究印刷文本的OCR识别。特别是，我将重点放在预处理步骤，以改善Tesseract引擎的结果。我已经在自适应阈值处理、噪声去除、文本抗扭斜等方面取得了良好的效果...但是当其他商业产品回报不错时，宇宙魔方似乎还是失败了。

我使用了下面的测试图像，这里是Tesseract 3.04与两个商业OCR api的比较结果。所有3个服务都提供了相同的二进制图像，其中包含一些略微模糊的文本。

宇宙魔方

Careers in Technology Consulting

Networking Lunch
21 m 2014, 11:00 - 14:30

Definingthecorporatellstmtegy, Wammmwdngdeal, creating
uniquebwinessisighnwilgbigdam-doesflismflxemmyouafioy?

Findoutmoreabanhowitfeektomkasatedlflogymbyjoiningour

for further mm please visit mAeloittexom/weers

艾比高级阅读器在线

Careers in Technology Consulting
Networking Lunch
21 November 2014,1140-14:30
Defining the corporate IT strategy, planning a multHnKon <Mar outsourcing deal, creating unique business insights using big data-doesthis sound Ifce something you enjoy?
Find out more about hour it feels to work as a technology consultant by joining our exclusive networking lunch,
For further information please visit wrwMuleloittexom/carcert

在线光学字符识别

Careers in Technology Consulting Networking Lunch 21 November 2014, 11;00 —14:30 
Defining the corporate IT strategy, planning a muiti-indlimi dollar outsourcing deal, creating unique business insights using big data—does this sound like something you enjoy? 
Find out more about how it feels to work as a tedmology consultant by joining our exclusive networking lunch, 
For further information' please visit wwwdeloitte,com/careers 

现在我想知道Tesseract和其他两个产品之间的巨大差距是由于不同的引擎（当然ABBYY使用自己的引擎，不确定OCR网络服务）还是在运行Tesseract之前可以做一些其他的预处理步骤。你有什么建议吗？

Answer 1

这里有一个关于“魔术”OCR预处理的建议。为了解释所提出的预处理思想的原理，让我们考虑一下所提供的文本图像的摘录，所有测试的OCR都失败了：

并对其应用一些“预处理智慧”。首先是通常的阈值：

然后一些“魔术”通过拍摄垂直线通过单词元素，检测最大值。2像素高的“条”,并沿其边缘切割它们，同时将单词元素切割到其底线:

现在，将穿过该图像中单词元素的拍摄线从垂直切换到水平，以检测非常宽的“条”,并在宽度的中间垂直切割它们:

这将有助于任何OCR引擎在这个特定的图像上提供更好的结果。我可以想象，一些使用这种方法的商业OCR引擎已经能够提供比这个测试更好的识别。

在这方面，让我提一下Ubuntu存储库中提供的另一个免费OCR引擎（与tesseract相当）。对它们进行对比测试，你会更想知道它们是如何提供不同的结果的，然后查看它们的源代码来了解：）并从这段经历中推断出一些商业方面的东西。

sudo apt-get install cuneiform gocr ocrad