训练Tesseract 3识别燃气表的实际图像中的数字

Question

我试图训练tesseract以识别燃气表的真实图像中的数字。

我用于训练的图像是用相机制作的，因此存在很多问题：由于曝光过度，反射，阴影等原因，图像分辨率差，图像模糊，照明不良或对比度低。 ..

为了进行培训，我创建了一个大图像，其中包含燃气表图像捕获的一系列数字，我手动编辑了文件框以创建.tr文件。结果是只有清晰和清晰图像的数字被识别，而模糊图像的数字未被tesseract捕获。

Answer 1

我先试试这个简单的ImageMagick命令：

convert   \ 
    original.jpg \ 
    -threshold 50% \ 
    result.jpg 

（玩了一下与50%参数 - 尝试用更小，更高的价值......）

阈值基本上留下了只有2值，零或最大值，为每个颜色通道。低于阈值的值被设置为0，高于阈值的值被设置为255（或者如果工作在16位深度，则为65535）。

根据您的original.jpg，您可能会有OCR功能，工作效果非常好的对比度图像。

Answer 2

据我可以告诉你需要OpenCV识别数字所在的盒子，但OpenCV不是OCR的上帝。在找到盒子后，只需裁剪该部分，进行图像处理，然后将其交给tesseract进行OCR。

我需要OpenCV帮助，因为我不知道如何在OpenCV中编程。

这里有几个真实世界的例子。

• 第一张图片是原始图像（croped功率计的数字）
• 第二图像稍微清理图像在GIMP，大约50％的OCR准确性正方体
• 第三图像完全清除后图像 - 100％OCR没有任何培训的认可！

Answer 3

我建议你：

• 使用工具来编辑框，这样jTessBoxEditor，它是如此乐于助人，让你赢得了时间。你可以很容易地从here
• 安装它是训练实际情况（嘈杂，模糊）的信件是个好主意。您的训练集仍然有限，您可以添加更多训练样本。

• 我建议你自己使用Tesseract的API来增强图像（去噪，标准化，锐化...） 例如：Boxa * tesseract::TessBaseAPI::GetConnectedComponents(Pixa** pixa)（它允许您获取每个字符的边界框）

  Pix * pimg = tess_api-> GetThresholdedImage（）;

Here你找到一些例子

Answer 4

正方体是一个相当不错的OCR包，但不正确预先处理的图像。我的经验是，如果您在将其传递到tesseract之前进行一些预处理，您可以获得良好的OCR结果。

有一对夫妇的显著提高识别关键指针：

1. 去除背景噪声。基本上这意味着使用平均自适应阈值。我还要确保角色是黑色的，背景是白色的。
2. 使用正确的分辨率。如果结果不好，请将图像向上或向下缩放，直至获得良好效果。你想瞄准约。字体大小14在300 dpi;在我的软件中处理最有效的发票。
3. 不要将图像存储为JPEG;使用BMP或PNG或其他不会使图像嘈杂的其他内容。
4. 如果您只使用一种或两种字体，请尝试在这些字体上训练tesseract。

至于第4点，如果您知道将要使用的字体，有比使用Tesseract更好的解决方案，例如直接在图像上匹配这些字体......基本算法是找到数字和将它们匹配到所有可能的字符（它们只有10个）......但实现起来很棘手。