Tesseract OCR библиотека - Обучение Шрифт

Question

Ну я использую исполнила .NET-версии этого OCR, которая может быть найдена @http://www.pixel-technology.com/freeware/tessnet2/

У меня он работает, однако цель этого заключается в переводе номерных знаков, печально двигатель действительно не точно перевести некоторые буквы, например, здесь это изображение я просмотрел, чтобы определить проблемы, характер

Результат:

12345B7B9U ABCDEFGHIJKLMNUPIJRSTUVHXYZ

Поэтому следующие символы переводятся неправильно:

1, O, Q, W

Это не кажется слишком плохо, но на моих номерных знаков, в результате ISN» т так велика:

= H4 ODM

= ЛДГ IFW

Поддельного тест

= NR4 y2k

Как вы могли бы сказать, что я пытался шумоподавление, увеличение контрастности и удаление пикселей, которые не являются абсолютно черным, без каких-либо реальных улучшений.

Очевидно, вы можете «изучить» новые шрифты, но мне кажется, что мне нужно будет перекомпилировать библиотеку для .NET, также кажется, что это выполняется на ОС Linux, которой у меня нет.

http://www.scribd.com/doc/16747664/Tesseract-Trainingfor-Khmer-LanguageFor-Posting

Так что я застрял в том, что попробовать дальше, я написал небольшой консольное приложение исключительно для целей тестирования, если кто-то хочет попробовать. Если у кого-нибудь есть идеи/графические манипуляции/мысли библиотеки, я был бы рад услышать их.

Answer 1

Недавно я использовал Tesseract через Tessnet2 (Tessnet2 - обертка VS2008 C++ вокруг Tesseract 2.0, сделанная Реми Томасом, если я хорошо помню). Пусть я постараюсь помочь вам с небольшим количеством знаний я по поводу этого инструмента:

• 1-го, как я уже говорил выше, эта обертка только для Tesseract 2.0, а newest Tesseract version on Google Code 3,00 (код больше не принимал на Source Forge). Есть регулярные участники: я видел, что запланирована версия 3.01. Таким образом, вы не пользуетесь последними улучшениями, включая анализ макета страницы, который может помочь, когда ваши номерные знаки не на 100% горизонтали.

• Я спросил Реми об обертке Tessnet2 .NET вокруг версии 3, он пока не планирует. Так, как и я, вам придется сделать это самостоятельно!

• Так что, если вы хотите, чтобы получить последнюю версию исходных текстов, вы можете загрузить их из Subversion хранилища (все описал на dedicated site page), и вы будете иметь возможность компилировать их, если у вас есть Visual Studio 2008, так как они содержат решение VS2008 в подпапке vs2008.Это решение составлено из проектов VS2008 C++, поэтому для получения результатов на C# вам нужно будет использовать .NET P/Invoke с созданным проектом tessDll. Опять же, если вам это нужно, у меня есть примеры кода, которые могут вас заинтересовать, но вы можете захотеть остаться с C++ и создать свои собственные проекты WinForm, например!

• Когда вы достигли компиляции (для этого не должно быть серьезных проблем, но скажите мне, если вы встретитесь с некоторыми из них, я, возможно, встретил их тоже :-)), вы получите в выпуске несколько двоичных файлов, которые будут позволяют вам пройти специальную подготовку! Опять же, есть a page specially dedicated to Tesseract 3 training. Благодаря этому тренингу, вы можете:

  • сдерживать свой набор символов, который будет автоматически удалять знаки препинания («/ - \» вместо «А», например)

  • указывают на неоднозначность вы обнаружили («D» вместо «O», как вы могли видеть, «B» вместо «8» и т. д.), которые будут учтены, когда вы будете использовать свое обучение.

• Я также видел, что результаты Тессеракта лучше, если вы сдерживаться изображение в зоне, где расположены буквы (т.е. не лицо, не пейзаж вокруг): в моем случае, я должен был признать только конкретный зоны карт, снятых с веб-камеры, поэтому я использовал обработку изображений для ограничения зоны. Это было долго, конечно, но мои изображения поступали из разных источников, поэтому у меня не было выбора. Если вы можете получить снимок с минимальными ограничениями, это будет здорово!

Надеюсь, что это оказало какую-либо помощь, не стесняйтесь давать мне свои замечания и вопросы!

Answer 2

Привет, я сделал много ocr с tesseract, и у меня были некоторые из ваших проблем. Вы спрашиваете об инструментах ОБРАБОТКИ ИЗОБРАЖЕНИЙ, и я бы рекомендовал "unpaper" (есть также порты Windows, см. Google). Это хорошая программа для перекоса, unrotate, remove-border-and-noise и так далее. Отлично подходит для работы до ocr'ing.

Если у вас есть (несколько) переменный цвет фона на ваших изображениях, я бы рекомендовал "textcleaner" imagemagick script . Я думаю, что это краевое обнаружение и отбеливание всех неброских вещей.

И если у вас есть сложный текст, то "ocropus" может быть полезным. Синтаксис (на Linux): "ocroscript прн-Тесс"

Моя установка 1. textcleaner 2. unpaper 3. ocroups

С помощью этих трех шагов, которые я могу читать почти ничего. Даже совершенно расплывчатые + шумные изображения, сделанные в неровном освещении, с двумя колонками плотно упакованного текста, выглядят очень читаемыми. ОК, может быть, ваши потребности не так уж много, но шаг 1) & 2) может пригодиться вам.

Answer 3

Я в настоящее время строю механизм распознавания номерного знака для ispy - я получил гораздо лучшие результаты тессеракта, когда я разделить номерной знак на отдельные символы и построил новое изображение отображается вертикально с белым пространством вокруг них, как:

Вт

О

О

M

Я думаю, что большая проблема, с которой сталкивается tesseract, заключается в том, наоборот. Ввод изображения с символами, расположенными по вертикали, позволяет рассматривать их как отдельные символы вместо текста.

Answer 4

Отличный читать! http://robotics.usc.edu/publications/downloads/pub/635/

Об перекос проблемы для номерных знаков:

Проблема: При вводе OCR берутся из ручной камеры или другого устройства формирования изображения, чья перспектива не является фиксированным, как сканером, текстовые строки могут получить перекосы от их оригинальной ориентации [13]. Основываясь на наших экспериментах, подача такого поворотного изображения на наш двигатель OCR дает крайне плохие результаты . Предлагаемый подход: перед вызовом механизма распознавания требуется процесс обнаружения перекоса . Если обнаружен какой-либо перекос, выполняется процедура автоматического поворота для коррекции перекоса перед дальнейшей обработкой текста. При определении алгоритма , который будет использоваться для обнаружения перекоса, мы обнаружили, что многие подходы , такие как упомянутые в [13], основаны на предположениях, что документы имеют сэкономленные поля. Однако это предположение не всегда выполняется в нашем приложении. Кроме того, традиционные методы, основанные на морфологическом методе , чрезвычайно медленны, и имеют тенденцию терпеть неудачу при наличии захваченных камерой изображений. В этой работе мы выбираем более надежный подход, основанный на Branchand- . Алгоритм поиска линейных строк (алгоритм RAST) [25] для обнаружения перекоса и автоматического поворота. Основная идея этого алгоритма заключается в том, чтобы идентифицировать каждую линию независимо и использовать наклон лучшей линии подсчета очков как угол наклона для всего текстового сегмента . После обнаружения угла наклона, поворот выполняется соответствующим образом. Основываясь на наших экспериментах, мы нашли , что этот алгоритм обладает высокой устойчивостью и чрезвычайно эффективным и быстрым. Тем не менее, он подвергся одному незначительному ограничению в ощущением, что ему не удалось обнаружить вращение больше 30. Мы также попробовали альтернативный подход, который мог обнаружить любой угол наклона до 90. Однако этот подход основывался на на наличие какого-либо креста на изображении. Из-за отсутствия растяжимости мы решили придерживаться алгоритма RAST .

Answer 5

ABCocr.NET использует Tesseract3, поэтому может быть целесообразным, если вам нужен последний код под .NET.

Answer 6

Tesseract 3.0x, по умолчанию, наказывает комбинации, которые не являются словами и не являются общими словами. В часто задаваемых вопросах описывается метод увеличения его отвращения к такой глупости. Возможно, вам будет полезно отключить штраф за редкие или несуществующие слова, как описано (обратно) здесь: http://code.google.com/p/tesseract-ocr/wiki/FAQ#How_to_increase_the_trust_in/strength_of_the_dictionary?

Answer 7

Если кто-то из будущего сталкивается с этим вопросом, есть инструмент под названием jTessBoxEditor, который делает обучение Tesseract легким. Все, что вы делаете, это указать на папку, содержащую образцы изображений, затем нажать кнопку и создать файл * .learneddata для вас.