使用Tesseract OCR 提取复杂图像中的文字

Tesseract OCR 文字识别库识别率还是非常高的，但是前提是图像背景简单，如果有复杂的背景，识别率几乎为0.

下面介绍从具有复杂背景图像中应用 Tesseract OCR提取文字的关键技巧。以我做的提取运动员号码的项目为例。

测试图例：更多测试图例，请访问http://www.physoft.net/?p=554

1. 前处理。

    前处理主要完成两个任务：

    a. 定位：根据目标图像的特征定位目标的区域。如图例，需要定位每个运动员数字标签的标签区域。Tesseract 对以文字为主体的图像识别率还是非常不错的。所以我们需要将定位到的区域抠出来做后面的处理，再给Tesseract 识别。定位是非常困难的，涉及到目标图像的特征，一般来说是几何特征。但是因为图像复杂，特征常常也被其他物体破坏（物理上的破坏，或者光照、雾，遮挡破坏）。

    b. 二值化：Tesseract 号称可以处理color图像，但是估计只有对二值化的图像，识别率才能达到可接受的程度。所以二值化可以极大的提高Tesseract识别率。将第一步定位到的局部图像二值化。这一步相对第一步要简单很多，但是仍然很具有挑战性。必定二值化的结果比较良好，否则 Tesseract 就有意见了。

 前处理是成败的关键，也是最难的部分。前处理做好了，Tesseract 就听话了。前处理一般来说需要大量的图像处理技巧。

2. 错误文字的剔除：

   a. 这一步相对简单，调用Tesseract，使用makebox参数，从output文件中获取提取到的结果，包括位置，大小。根据前处理中定位步骤中获取的几何特征，来过滤output中结果。如文字过宽，过小，顺序不对等。注意，Tesseract 输出的文字区域经常有区域重叠等现象，需要先使用程序重整。

   b. 使用Tesseract的tord_display_ratings，根据准确度来淘汰低准确度的文字。

   c. 多研究Tesseract配置

3. 除1,2外，Tesseract的training也是很重要的，而且train的样例越多越好。