c++ - 提高 Tesseract 检测质量

Question

我正在尝试从用消费者相机(包括手机)拍摄的图像中提取不构成有意义单词的字母数字字符 (a-z0-9)。这些字符具有相同的大小和字体类型，并且未被格式化。实际处理是在Windows下完成的。

下图显示了原始输入:

透视处理后，我使用 OpenCV 应用以下内容:

• 从 RGB 转换为灰色
• 应用cv::medianBlur去除噪声
• 使用自适应阈值将图像转换为二进制 cv::adaptiveThreshold
• 我知道网格的行数和列数。因此，我只是使用此信息提取每个网格单元。

完成所有这些步骤后，我得到的图像看起来类似于这些:

然后我在每个提取的细胞图像上分别运行 tesseract(最新的 SVN 版本和最新的训练数据)(我尝试了不同的 -psm 和 -l 值):

tesseract.exe -l eng -psm 11 sample.png outtext

tesseract 产生的结果不是很好:

• 大多数字符无法识别。
• 网格线有时被解释为“l”或“i”字符。

我已经尝试了形态学操作(打开、关闭、腐 eclipse 、膨胀)并用 OTSU 阈值 (THRESH_OTSU) 替换了自适应阈值，但结果变得更糟。

还有什么我可以尝试提高识别质量？或者除了使用 tesseract(例如模板匹配？)之外，还有更好的方法来提取字符吗？

编辑 (21-12-2014): 我测试了简单的模板匹配(使用归一化互相关和 LMS，但结果更差)。但我向前迈出了一大步，使用 findCountours 提取每个字符，然后仅使用一个字符和 -psm 10 选项运行 tesseract，该选项将每个输入图像解释为单个图像特点。此外，我在后处理步骤中删除了非字母数字字符。初步结果令人鼓舞， check out 率达到 90% 甚至更高。主要问题是“9”和“g”和“q”字符的错误检测。

问候，

Answer 1

正如我所说 here ，你可以告诉 tesseract 注意“几乎相同”的字符。 此外，tesseract 中有一些选项在您的示例中对您没有帮助。 例如，“Pocahonta5S”在大多数情况下会变成“PocahontaSS”，因为数字在字母词中。你可以这样看。

关于预处理，你最好使用锐化过滤器。 不要忘记 tesseract 在阅读任何内容之前总是会应用 Otsu 的过滤器。 如果你想要好的结果，锐化 + 自适应阈值和一些其他过滤器是个好主意。