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!
最佳答案
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:
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:
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:
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:
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:
测试:
关于dataset - 免费包含 OCR 基准测试集的资源,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41181742/