为什么tesseract在读取旁边的相同数字时会忽略整个数字就好了答案

【问题标题】：Why does tesseract ignore a whole digit when it reads the same digit next to it just fine为什么tesseract在读取旁边的相同数字时会忽略整个数字就好了
【发布时间】：2023-02-10 21:43:08
【问题描述】：

这对我来说是个难题。

在下图中，R 中的 tesseract 包完全忽略了第四行第二次出现的 1，无论我做什么（意思是，它读作 1 而不是 11）。这里的图像已经过预处理——通过 nn 放大、清洗和二值化。即使我只是对源图像进行轻微预处理，也是一样的。

裁剪右侧的噪音无济于事。更改 tessedit_pageseg_mode 选项只会让事情变得更糟，但无助于解决这个特定问题。

1到底去哪儿了？为了我的理智，我需要知道。

【问题讨论】：

标签： r ocr tesseract

【解决方案1】：

在等待 R 编译 tesseract 包时，我测试了命令行版本：

$ tesseract --version
tesseract 4.1.1
  leptonica-1.79.0 #...etc
$ tesseract ocr_test.png  test
obec TREBOHOSTICE 2021
okres Strakonice, Jihocesky kraj

Poéet osob starSich 15 let 274
Poéet osob v exekuci 11
Podil osob v exekuci 4,01 %
Celkovy pocet exekuci 106
Prumérny poéet exekuci na osobu 9.6
Z toho:

podil (pocet) osob s 1 — 9 exekucemi 45% (5)
podil (pocet) osob s 10 a vice exekucemi 55% (6)

PM. 2

CLI 输出看起来不错。可能与系统上安装的 leptonica 的底层版本有关

R tesseract 包和 Linux 包的干净编译：

#Linux command line
$ sudo apt install libpoppler-cpp-dev libtesseract-dev libleptonica-dev

#In R
install.packages("tesseract")  # version 5.1.0
library(tesseract)
ocr(file.choose())

第 4 行 11 的输出看起来不错：

obec TREBOHOSTICE 2021
okres Strakonice, Jihocesky kraj

Poéet osob starSich 15 let 274
Poéet osob v exekuci 11
Podil osob v exekuci 401% |
Celkovy pocet exekuci 106
Prumérny poéet exekuci na osobu 9.6
Z toho: on
podil (pocet) osob s 1 — 9 exekucemi 45% (5) ;
podil (pocet) osob s 10 a vice exekucemi 55% (6) >

【讨论】：

谢谢（你的）信息。好吧，这太奇怪了。我会接受它作为答案，因为它表明我这边有些可疑。我在 Windows 上运行 tesseract。明天上班要查版本。虽然，我几天前才安装它......很奇怪

【解决方案2】：

问题源于对 tesseract 使用捷克引擎 engine = tesseract(language = "ces")。

【讨论】：