java - 如何提高来自 Tesseract 的 OCR 文本的准确性？

Question

我使用 Google 的 Tesseract API 创建了一个用于识别文本的基本应用程序，并将其与我的相机应用程序集成。它工作正常，但唯一的问题是准确性，因为有时文本被识别为一组随机字符，我猜准确性大约为 50%。

此外，当它尝试扫描图像中的四个以上单词时，应用程序会崩溃。

String ocrText = baseApi.getUTF8Text();
baseApi.end();

其中 baseApi 是 Tesseract API 类的对象。

我是否需要使用不同的数据结构来保存已识别的文本，或者是否有其他原因无法识别超过四个单词？

Answer 1

Tesseract API 类提供了一个 isValidWord检查字符串是否为有效单词的方法。您可以使用它来检查识别的字符。这将提高输出的准确性。

我正在使用 Tess4j 进行开发，它是 tesseract-ocr 的 Java JNA 包装器，经过检查后它给出了相当不错的结果。

不准确的结果可能是由于文本大小，检查 this出去。它说“精度下降到 10pt x 300dpi 以下，迅速下降到 8pt x 300dpi 以下。”

此外，无法检测到超过 4 个单词取决于很多因素，测试图像的类型(具有多少特征)、图像的大小、平台等。