为什么对于简单的单个字符识别，我从 Tesseract 得到如此糟糕的结果？

Question

我正在尝试使用 Tesseract 进行单字符识别，结果很糟糕。 “h”被识别为“n”，“4”被识别为“/i”，“O”被识别为“()”；

单字符模式好像没有作用，很多字符都被识别为两个字符， 不只是一个。我的图像是简单的双层黑白 TIFF 图像， 拉丁字符。这是位图字体，不是扫描的图像，它们绝对干净且 不需要改进。 Оnly 大约一半的字符被正确识别，这似乎是 对于这样一个简单的任务，百分比非常低。

我使用的 Tesseract 库版本是“4.0.0-beta.3”。 这就是我所说的 Tesseract。

 int CharRecognizer::recognizeTIFFData(char* data, int datalength){
            char *outText;
            TessBaseAPI* api = new TessBaseAPI();

            if (api->Init(NULL, "eng")) {
                    fprintf(stderr, "Could not initialize tesseract.\n");
                    exit(1);
            }
            api->SetPageSegMode(tesseract::PSM_SINGLE_CHAR);
            Pix *image = pixReadMem(data,datalength);
            api->SetImage(image);
            // Get OCR result
            outText = api->GetUTF8Text();
            printf("\nOCR output:\n%s", outText);
            // Destroy used object and release memory
            int utf8 = outText[0];
            api->End();
            delete[] outText;
            pixDestroy(&image);
            return utf8;
 }

我是 Tesseract 的新手，所以我可能遗漏了一些东西。我必须以某种方式训练吗 图书馆第一？可能我应该设置另一个 OcrEngineMode 吗？我预计没有 简单的位图字体识别问题，现在我很迷茫。 非常感谢您， 尤利安娜

Answer 1

通过在您的图像周围添加 1x1 像素边框，我能够使 tesseract 在您的情况下产生正确的结果。我在 Linux 上使用tesseract 命令行工具对此进行了测试：

$ tesseract R2a51.png stdout --psm 10
n
$ convert R2a51.png -border 1x1 R2a51.border.png
$ tesseract R2a51.border.png stdout --psm 10
h

convert 工具用于创建带有边框的图像版本。

似乎 tesseract 无法正确处理图像边缘的字符（至少在默认设置下）。

注意您的第三个字符仍被识别为 0 而不是 O 但我不确定这是否可以被视为 OCR 错误。您可能需要查看 tesseract 字符白名单来处理这个问题。

编辑： 似乎“Tesseract legacy algorithm”无需修改即可在您的图像上工作。它可以通过--oem 0 在命令行上调用。请注意，您需要在 tessdata 目录中为您的语言匹配 *.traineddata。可以从https://github.com/tesseract-ocr/tessdata下载足够的变体