c++ - 在 tesseract C++ API 中禁用字典辅助 OCR

Question

我有一个应用程序，其中使用 tesseract API 对技术数据表进行 OCR。我这样初始化它:

tesseract::TessBaseAPI tess;
tess.Init(NULL, "eng", tesseract::OEM_TESSERACT_ONLY);

然而，即使在使用这样的自定义白名单之后

tess.SetVariable("tessedit_char_blacklist", "");
tess.SetVariable("tessedit_char_whitelist", myWhitelist);

某些数据表条目被错误识别，例如 PA3 被识别为 FAB。

如何禁用字典辅助 OCR，即 .为了不影响其他工具，我不想尽可能修改全局配置文件。

注意:这不是 this previous question 的拷贝因为上述问题明确要求命令行工具，而我明确要求 tesseract API。

Answer 1

您可以简单地将惩罚设置为零:

tess.SetVariable("segment_penalty_garbage", "0");
tess.SetVariable("segment_penalty_dict_nonword", "0");
tess.SetVariable("segment_penalty_dict_frequent_word", "0");
tess.SetVariable("segment_penalty_dict_case_ok", "0");
tess.SetVariable("segment_penalty_dict_case_bad", "0");

虽然字典仍然保持事件状态，但这种方法基本上告诉算法字典命中(也包括错误的标点符号等)并不比非字典命中好。

参见 the dict.cpp source code供引用。