Tesseract OCR 没有正确分割线答案

【问题标题】：Tesseract OCR not splitting lines correctlyTesseract OCR 没有正确分割线
【发布时间】：2020-11-22 02:30:01
【问题描述】：

对于我的应用程序，我需要使用 OCR 从发票中提取文本。为此，我将需要扫描的发票裁剪到各个列，并将这些裁剪后的图像放入 tesseract。对于大多数列，这可以完美运行，但有一些列不会拆分行，而是在同一个字符串中输出所有内容。

我目前正在尝试使用 string.split() 方法，使用“\n”和“\r”作为参数。

下面的代码显示了我是如何尝试将输出拆分为字符串数组：

public string[] ProcessFile(Image InputImage)
        {
            Bitmap WorkImage = new Bitmap(InputImage);
            string[] Output;

            Tesseract.TesseractEngine Engine = new TesseractEngine("./tessdata", "eng", EngineMode.TesseractAndCube);
            Page RawOutput = Engine.Process(WorkImage);
            string ConvertedOutput = RawOutput.GetText();
            Output = ConvertedOutput.Split(new[] { "\r\n", "\r", "\n" }, StringSplitOptions.None);
            Engine.Dispose();
            return Output;
        }

对于包含以下值的列 “产品 1” “产品 2” “产品 3” ETC 这很好用，但是当列包含单个数字时，如下所示： “1” “4” “12” “6”

它只返回“14126”。

我希望有人能够指出我的解决方案。非常感谢！

【问题讨论】：

你读过 Tesseract 的 GitHub wiki 吗？这有什么帮助吗：github.com/tesseract-ocr/tesseract/wiki/ControlParams?
@BernoulliIT 我现在有，我相信这是针对从命令行使用 Tesseract 的人。因此，我一直无法在 C# 中调用这些参数。
您使用的 API 没有提供任何设置属性/类来定义识别期间使用的特定参数？请对 tesseract c# 类/接口做一些逆向工程。
@BernoulliIT 在对 pagesegmentationmode 进行了一番摆弄之后，我设法让它工作了。将其设置为 PageSegMode.SingleBlock 就可以了

标签： c# ocr tesseract

【解决方案1】：

你读过 Tesseract 的 GitHub wiki 吗？这有什么帮助吗：github.com/tesseract-ocr/tesseract/wiki/ControlParams？

您可以使用PageSegmentationMode、PageSegMode.SingleBlock 来完成您要查找的内容。

【讨论】：