主页 / computer / 问题 / 1828175
Accepted
Marc Le Bihan
Asked: 2024-01-31 15:38:58 +0800 CST

tesseract ocr：为什么当我将包含计算机数字的 png 图像转换为文本文件时，它会返回垃圾？

  • 772

我已经安装了 tesseract ocr 5.3.0（在 Debian 12 上）

我想扫描并 ocr 这个 png 文件：

在此输入图像描述

当我执行：

tesseract cp1.png cp1

输出cp1.txt包含意外的垃圾：

y seeseeggegegegenagesseagegs

feésidaedsdcsdasaredadacd

sgsessesesssesagess

B isgsddsadsdecansas

geverdcdessaguce sses

SERRRERRRRSRSRSERRRERSEsesR
an

为什么？

png

1 个回答

  1. Best Answer

    OCR 取决于清晰的图像。如果人类读者对细节有些不清楚，OCR 识别字符就会更加困难。

    理想情况下，在扫描或拍摄文本时，应优化图像，以便文本和背景之间存在清晰的对比度。应尽量减少皱纹和折叠，例​​如，通过摄影时的垂直照明或扫描时的适度压力。如果存在彩色污渍，可以调整图像以去除该颜色的斑点。

    之后还可以改进图像以用于 OCR。使用免费的IrfanView花了大约三分钟根据问题中的图像生成下面的图像。它经过“检查”处理，以减少伽玛值、增加对比度和清晰度，但可以通过使用 OCR 工具进行测试来改进此处理，以优化准确性。

    处理后的图像

    此外，如果在类似数据上广泛使用Tesseract，则可以训练该工具识别特定字体和特定字符。例如，如果只处理数字数据，则可以训练Tesseract只识别数字、标点符号和空格，从而提高准确性。这种培训需要付出一些努力，并且只有对于具有大量数据的长期项目才可能是值得的（例如，将仅使用几种字体的报纸的许多过刊数字化）。

    • 1

相关问题