Tesseract OCR 配置和图像处理

Question

我一直在阅读大量关于来自 Tesseract .Net 包装器的错误输出的帖子和资料，其中包含各种图像“类型”，但我无法找到解决我的错误输出的方法。

这是我要解析的图片：

如您所见，有不同的字体、大小、前景和背景。我尝试对它进行灰度化并按不同的量放大它，但没有什么能接近正确解析整个图像。

TesseractEngine ocr = new TesseractEngine(Path.Combine(Environment.CurrentDirectory, "tessdata"), "fra", EngineMode.Default);
ocr.SetVariable("tessedit_char_whitelist", "ABCDEFGHIJKLMNOPQRSTUVWXYZÉÈ0123456789:'");
Page pg = ocr.Process(image.ToGrayscale().ScaleByPercent(200));
MessageBox.Show(pg.GetText());

使用此代码（让我知道ToGrayScale() 和ScaleByPercent(...) 的详细信息是否有帮助），这是我得到的输出：

8300 QÉMQ I09'0'9I

PIOII'：

这似乎对应于Bacc. génie logiciel & Profil :。

话虽如此，我对图像转换知之甚少，因此示例或提示会大有帮助，但如有必要，我完全愿意深入研究链接的东西/文档。我应该如何处理这样的图像？

---

编辑：通过一些操作（@Yves Daoust 建议）我已经设法达到了这一点：

但是输出（右侧）还不是很完美。我一直在努力为 Tesseract 提供配置，以便它只接受某个列表中的单词。这是我的尝试：

var initVars = new Dictionary<string, object>() {
            { "load_system_dawg", false },
            { "user_words_suffix", "fra.user-words" },
            { "language_model_penalty_non_freq_dict_word", 1 },
            { "language_model_penalty_non_dict_word", 1 }
        };
TesseractEngine ocr = new TesseractEngine(Path.Combine(Environment.CurrentDirectory, "tessdata"), "fra", EngineMode.Default, 
            Enumerable.Empty<string>(), initVars, false);

我一直在寻找有关如何提供此类配置的示例，但我只找到了简短的、不详细的文字说明。

Answer 1

您可以通过自己提取字符在很大程度上帮助 Tesseract，这在此处非常简单：仅保留白色像素（对于表单的其他部分保留其他颜色）。

---

顺便说一句，这些字符非常可预测，您可以自己进行识别（通过简单的像素比较），无需 Tesseract 的帮助。