Оптимальный шрифт для Tesseract? (в частности, оболочка.NET)

Я использую Tesseract как средство для преобразования печатных текстовых документов, снятых моей камерой мобильного телефона, в текст. Результаты не велики. Качество изображения очень хорошее, намного более четкое, чем у факса, но, похоже, очень сложно идентифицировать символы.

Я также попытался имитировать один из этих документов в текстовом редакторе, сделать снимок экрана с окном и запустить его через Tesseract, и результаты были лишь незначительно лучше.

Это наводит меня на мысль, что, вероятно, есть оптимальный шрифт для Tesseract. Я немного погуглил и наткнулся на OCR-A, но для него, видимо, нужна лицензия. Затем я наткнулся на бесплатную альтернативу OCR-A на SourceFourge, но, похоже, она не намного лучше, чем Arial или Courier New.

Есть ли шрифт, который лучше всего работает с Tesseract, или мне нужно сделать что-то еще, чтобы повысить точность распознавания символов?

Источник

3 ответа

Я провел эксперимент, чтобы ответить на этот вопрос.

  • Создайте документ со случайными 6000 символов из базовых 64 наборов символов (в основном все буквы верхнего и нижнего регистра + цифры).
  • Для каждого шрифта в моей системе (ящик Linux) сгенерируйте изображение с одинаковым содержимым
  • Отдай это Тессеракту
  • Измерьте частоту ошибок / точность

Вот результаты для Tesseract v4.1.1, я привожу самые эффективные шрифты:

  • митра
  • TeX_Gyre_Bonum
  • DejaVu_Serif
  • Робото
  • Cantarell

См. Также это заключение: https://www.monperrus.net/martin/perfect-ocr-digital-data

Источник

Я часто использую tesseract-ocr, и, по моему опыту, только две вещи улучшают его производительность: исходное изображение в формате tiff и физический размер текста в изображении. Следовательно, я запускаю его для изображения и для изображения, размер которого изменен на 200%, 400% и 800%. Для каждого из созданных текстов я подсчитываю количество слов, помеченных как написанные с ошибками, и делаю соответствующий выбор.

Конечно, шрифт влияет на производительность тессеракта, но я не вижу, чтобы это имело отношение к вашей ситуации. Разве вы не застряли на том шрифте, который использовался для создания текстового документа, который вы фотографируете?

Источник

Ваш лучший выбор - обучить его тому шрифту, который вы используете.

Я не хочу притворяться, что это легкий процесс, это не так, но он должен работать лучше. Кроме того, большинство программ распознавания текста поддерживают 300 dpi или 600 dpi, поэтому может потребоваться масштабирование.

В Tesseract Github Wiki есть несколько хороших ресурсов по обучению Tesseract.

Источник
Другие вопросы по тегам