OCR文字识别逻辑

Question

下面是一个函数，它使用 TessNet2（OCR 框架）扫描由 TessNet2 内置的 OCR 函数捕获的单词列表。由于我扫描的页面质量不够完美，因此单词的检测并非 100% 准确。

所以有时它会将“S”与“5”或“l”与“1”混淆。此外，它不考虑大小写。所以我必须搜索这两种情况。

它的工作方式是我在纸上搜索某些彼此接近的单词。所以第一组词[I]是“Abstracting Service Ordered”。如果页面包含彼此相邻的这些单词，则它移动到下一组单词 [j]，然后是下一个 [h]。如果页面包含所有 3 组单词，则返回 true。

这是我想到的最好的方法，但我希望这里的人能给我另一种尝试的方法。

public Boolean isPageABSTRACTING(List<tessnet2.Word> wordList)
    {

        for (int i = 0; i < wordList.Count; i++) //scan through words
        {
            if ((wordList[i].Text == "Abstracting" || wordList[i].Text == "abstracting" || wordList[i].Text == "abstractmg" || wordList[i].Text == "Abstractmg" && wordList[i].Confidence >= 50) && (wordList[i + 1].Text == "Service" || wordList[i + 1].Text == "service" || wordList[i + 1].Text == "5ervice" && wordList[i + 1].Confidence >= 50) && (wordList[i + 2].Text == "Ordered" || wordList[i + 2].Text == "ordered" && wordList[i + 2].Confidence >= 50)) //find 1st tier check
            {
                for (int j = 0; j < wordList.Count; j++) //scan through words again
                {
                    if ((wordList[j].Text == "Due" || wordList[j].Text == "Oue" && wordList[j].Confidence >= 50) && (wordList[j + 1].Text == "Date" || wordList[j + 1].Text == "Oate" && wordList[j + 1].Confidence >= 50) && (wordList[j + 2].Text == "&" && wordList[j + 2].Confidence >= 50)) //find 2nd tier check
                    {
                        for (int h = 0; h < wordList.Count; h++) //scan through words again
                        {
                            if ((wordList[h].Text == "Additional" || wordList[h].Text == "additional" && wordList[h].Confidence >= 50) && (wordList[h + 1].Text == "comments" || wordList[h + 1].Text == "Comments" && wordList[h + 1].Confidence >= 50) && (wordList[h + 2].Text == "about" || wordList[h + 2].Text == "About" && wordList[h + 2].Confidence >= 50) && (wordList[h + 3].Text == "this" || wordList[h + 3].Text == "This" && wordList[h + 3].Confidence >= 50)) //find 3rd tier check
                            {
                                return true;
                            }
                        }
                    }
                }
            }
        }

        return false;
    }

Answer 1

首先不需要冗余的嵌套循环，每个内部循环不依赖于外部循环中的任何内容，因此不需要循环遍历单词 N^3 次（而不是 3N 次）带来的巨大性能损失)。

其次，我认为肯定有更优雅的方法（例如使用单词字典并为不在字典中的单词计算最佳匹配，或其他更动态的方法），但它们会涉及更复杂的算法。可以使用正则表达式来完成等效的简单方法：

// combine all the words into 1 string separated by a space
// where the confidence is high enough
// use a word that the regex's won't match for words where the confidence
// isn't high enough
var text = wordList.Select(w => w.Confidence >= 50 ? w.Text : "DONTMATCH")
           .Aggregate((x,y) => x + " " + y);

// now run the text through regular expressions 
// to match each criteria allowing for case insensitivity
// and known misidentifications
if (!Regex.IsMatch(text, @"abstract(in|m)g\s+(s|5)ervice\s+ordered", RegexOptions.IgnoreCase))
    return false;

if (!Regex.IsMatch(text, @"(d|o)ue\s+(d|o)ate\s+&", RegexOptions.IgnoreCase))
    return false;

if (!Regex.IsMatch(text, @"additional\s+comments\s+about\s+this", RegexOptions.IgnoreCase))
    return false;
return true;

由于您的算法只对几个特定的​​短语感兴趣，并且当单词的置信度太低时您不希望它匹配，我们可以轻松地将所有单词组合成一个用空格分隔的长字符串（例如方便）。然后我们构造正则表达式来满足 3 个感兴趣的短语和已知的替代方案，并针对正则表达式测试连接的字符串。

显然它只是为了迎合这种非常特殊的情况......

Answer 2

您可以尝试使用一些词汇，并找到一个最接近 Levenstein Distance 识别的单词。