OCR 纠错算法

Question

我正在将大量扫描文档数字化，并使用 Tesseract 3 作为我的 OCR 引擎。它的输出质量一般，因为它经常在实际文本之前和之后产生垃圾字符，以及文本中的拼写错误。

对于前一个问题，似乎必须有策略来确定哪些文本是真正的文本，哪些不是字典中的单词）。

对于拼写错误，大多数错误源于字母的一些错误分类（例如，将l、1 和I 相互替换），似乎应该有方法猜测哪些单词拼错了（因为英语中没有太多单词中间有“1”），并猜测正确的更正是什么。

该领域的最佳做法是什么？是否有做这种事情的算法的免费/开源实现？谷歌已经发表了很多论文，但并不具体。如果没有可用的实现，那么众多论文中的哪一个会是一个好的起点？

Answer 1

对于“确定哪些文本实际上是文本，哪些文本不是”，您可能需要查看来自开发 Tesseract（ISRI）的同一部门的rmgarbage。我写了一个Perl implementation 并且还有一个Ruby 实现。对于 1 与 l 的问题，我正在尝试使用 ocrspell（同样来自同一部门），their original source 可用。

我只能发两个链接，所以缺少的是：

• ocrspell：在 dx.doi.org 输入“10.1007/PL00013558”]
• rmgarbage：搜索“自动删除 OCR 文本中的垃圾字符串：一种实现”
• ruby implementation：搜索“docsplit textcleaner”

Answer 2

可能对您有用的方法是尝试 this free online OCR 并将其结果与您的结果进行比较，看看是否通过播放图像（例如放大/缩小）可以改善结果。

我将它用作我自己使用 tesseract 时应该得到的结果的“上限”（在使用 OpenCV 修改图像之后）。