提升Tesseract-OCR输出的质量

• 图片处理
  • 修改比例(Rescaling)
  • 二值化(Binarisation)
  • 去除噪点(Noise Removal)
  • 旋转/偏移校正(Rotation / Deskewing)
  • 边界(Borders)
    • 扫描中的边界移除
    • 缺少边界
  • 透明度/Alpha通道
  • 工具/库
  • 例子
• 页面划分的方法
• 字典，单词列表以及模式

https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality

如果你使用Tesseract不能获得理想的输出结果，可能会有很多原因。但是请记住，除非你使用一个非常罕见的字体，或者使用一种没有被训练过的新语言这些情况，重新训练Tesseract不会有多大效果。

图片处理

Tesseract在做真正的OCR之前，内部（使用Leptonica库）先进行了各种图片处理。一般来说，它这些准备工作做的不错，但是不可避免的还是会有不足够的地方，如果图片处理不到位的话识别准确率也不会很高。

你可以在运行Tesseract的时候，设置配置变量tessedit_write_images=true，在输出的日志中可以看到Tesseract是如何处理图片的。如果返回的tessinput.tif文件看起来有问题，那么在OCR之前不妨进行一些手动的图片处理。

修改比例(Rescaling)

如果图片的DPI有300以上，Tesseract可以处理的很棒，所以如果DPI不够，不妨调整比例。

二值化(Binarisation)



也就是说，最好把图片变为黑白图片。Tesseract会在内部做这个事情（使用Otsu算法），但是处理结果可能不是最好的，特别是在背景颜色不算均匀暗色的时候。

如果你不能提供更好的图片，你也可以使用不同的算法。比如ImageAutoThreshold(Java), OpenCV Image Thresholding(Python), scikit-image Thresholding(Python)的文档。

去除噪点(Noise Removal)



噪点，是图片中那些随机的暗色或者彩色点，这让图片中的文字更加难以阅读。Tesseract的二值化处理步骤没有办法处理一些类型的噪点，这时候会让解析精度骤降。

旋转/偏移校正(Rotation / Deskewing)



歪曲的图片，会导致页面被扫描的时候不是笔直的。如果页面太歪曲，Tesseract的行数分割不会很准确，这也会影响OCR的最终质量。

边界(Borders)

扫描中的边界移除



被扫描的页面，可能会有一些暗边褶皱。这可能会导致提取一些额外的错误的字符。

缺少边界

如果你想要OCR的文本区域没有边界，Tesseract可能会碰到问题。请看这个帖子，你也可以使用ImageMagick来增加一条边界。

convert 427-1.jpg -bordercolor White -border 10x10 427-1b.jpg

透明度/Alpha通道

一些图片格式（比如png），可能使用Alpha通道来提供透明度特性。

Tesseract3.x希望用户在输入给tesseract之前移除图片的alpha通道。可以使用下面的命令:

convert input.png -alpha off output.png

Tesseract4.00开始，内部使用了leptonica的函数pixRemoveAlpha()来移除alpha通道：通过为alpha部分混入白色背景色来解决。在一些少见的情况下，这个方法可能会导致问题，用户需要手动移除alpha通道。

工具/库

• Leptonica
• OpenCV
• Scan Tailor
• ImageMagick
• unpaper
• ImageJ
• Gimp

例子

如果你想要知道如何使用程序来提升图片质量，可以看看下面的例子:

• OpenCV -- 旋转 -- C++例子
• Fred的ImageMagick TEXTCLEANER -- 一个bash脚本，处理文本文档，清除文本的背景色。
• rotation_spacing.py -- 一个Python脚本，自动检测图片中的旋转以及行之间的空间。
• crop_morphology.py -- 一个Python脚本，找到图片中文本区域，使用了OpenCV和numpy。
• noteshrink -- Python例子，清理待扫描的图片。还有一篇详细介绍代码的blog: 压缩以及加强手写笔记
• uproject text -- 一个Python例子，恢复了图片的透视。详细的blog: Unprojecting text with ellipses
• page_dewrap -- 一个Python例子，使用‘cubic sheet‘模型为图片进行dewrapping。详细blog: Page dewrapping

页面划分的方法

默认情况下，Tesseract会认为图片是划分好的，会识别整个图片。如果你只要对一个小块区域进行OCR，请使用--psm参数。注意，为文本加入白色的border也有用，请看issue 398.

想要知道Tesseract支持的所有页面分割模式，请使用命令tesseract -h:

0    Orientation and script detection (OSD) only.
1    Automatic page segmentation with OSD.
2    Automatic page segmentation, but no OSD, or OCR.
3    Fully automatic page segmentation, but no OSD. (Default)
4    Assume a single column of text of variable sizes.
5    Assume a single uniform block of vertically aligned text.
6    Assume a single uniform block of text.
7    Treat the image as a single text line.
8    Treat the image as a single word.
9    Treat the image as a single word in a circle.
10    Treat the image as a single character.
11    Sparse text. Find as much text as possible in no particular order.
12    Sparse text with OSD.
13    Raw line. Treat the image as a single text line, 
                bypassing hacks that are Tesseract-specific.

字典，单词列表以及模式

默认情况下，Tesseract被优化为识别单词组成的句子。如果你想要识别一些其它的模式，比如收据，价格列表，或者代码。可以使用一些方法来提高识别率，比如选用合适的文本分割方法。

如果你要识别的文本都不是字典中的单词，禁用Tesseract的字典功能可以提升识别准确率。可以通过同时设定配置load_freq_dawg=false & load_system_dawg=false来禁用字典。

另外，也可以为Tesseract的单词列表加入一些新的词，来帮助提升识别准确率。或者可以加入通用的字符模式，如果你对你的输入模式有了解，这种方式可以大幅提升准确率。更多详情请参考Tesseract手册.

如果你知道，只会碰到语言中的一部分子集，比如只有数字，你可以使用配置tessedit_char_whitelist.