dataset - 免费包含 OCR 基准测试集的资源

Question

关闭。这个问题不满足Stack Overflow guidelines .它目前不接受答案。












想改善这个问题吗？更新问题，使其成为 on-topic对于堆栈溢出。

3年前关闭。



Improve this question




我想对扫描的文本(通常是任何扫描，即 A4)进行 OCR 基准测试。我找到了一些 NEOCR 数据集 here ，但是NEOCR并不是我真正想要的。

我很感激免费数据库来源的链接，这些数据库有适当的图像和引用的实际文本(包含在图像中)。

我希望这个线程对其他人对数据集进行 OCR 冲浪也有用，因为我没有找到对这些资源的任何好的引用。

谢谢!

Answer 1

我在许多项目中使用大学研究数据集很幸运。这些通常很有用，因为需要发布输入和预期结果以独立重现研究结果。一个例子是 Fourth Annual Test of OCR Accuracy 的 UNLV 数据集下面讨论更多。

另一种方法是从数据集开始并创建自己的训练集。与 Project Gutenberg 一起工作也可能是值得的已转录 57,136 本书。您可以获取 HTML 版本(带图像)并使用各种转换(如字体、旋转等)将其打印出来。然后您可以转换图像并扫描它们以与文本版本进行比较。请参阅下面的示例。

1) OCR 准确度 DOE 和 UNLV 年度测试

UNLV 的能源部 (DOE) 和信息科学研究所 (ISRI) 从 1992 年到 1995 年进行了 5 年的 OCR 测试。您可以在此处找到每年的研究说明:

概览:http://www.expervision.com/testimonial-world-leading-and-champion-ocr/annual-test-of-ocr-accuracy-by-us-department-of-energy-doe-university-of-nevada-las-vegas-unlv

1.1) UNLV Tesseract OCR 测试数据发表于第四届 OCR 准确性年度测试

第四次年度测试的数据使用 Tesseract是在网上发布的。由于这是一项 OCR 研究，因此它可能适合您的目的。

此数据现在作为发布在 Google Code 上的 UNLV OCR 评估工具项目的 ISRI 的一部分托管:

项目:https://code.google.com/archive/p/isri-ocr-evaluation-tools/

Images and Ground Truth text and zone files for several thousand English and some Spanish pages that were used in the UNLV/ISRI annual tests of OCR accuracy between 1992 and 1996.

Source code of OCR evaluation tools used in the UNLV/ISRI annual tests of OCR Accuracy.

Publications of the Information Science Research Institute of UNLV applicable to OCR and text retrieval.

您可以在此处找到有关此数据集的信息:

说明:https://github.com/tesseract-ocr/tesseract/wiki/UNLV-Testing-of-Tesseract

数据集:https://code.google.com/archive/p/isri-ocr-evaluation-tools/downloads

在数据集链接中，您会找到许多可以下载的 gzip 压缩包。在每个 tarball 中有许多目录和一组文件。每个文档有 3 个文件:

.tif二进制图像文件

.txt文本文件

.uzn用于描述扫描图像的区域文件

注意:在发布时，我注意到这个数据集最初是在上面@Stef 的评论中发布的。

2) 古腾堡计划

Project Gutenberg以下列格式转录了 57,136 本免费电子书:

HTML

EPUB(带图片)

EPUB(无图像)

Kindle(带图片)

Kindle(无图片)

纯文本 UTF-8

这是一个例子:http://www.gutenberg.org/ebooks/766

您可以通过执行以下操作来创建测试数据集:

创建测试文件:

从 HTML、ePub、Kindle 或纯文本版本开始

使用不同的字体、旋转、背景颜色、带和不带图像等进行渲染和变换。

将渲染转换为所需的格式，例如TIFF、PDF 等

测试:

通过 OCR 系统运行生成的图像

与原纯文本版本对比