使用OCR识别上角字符

Question

我开始了一个简单的项目，它必须获取包含带上标的文本的图像，然后使用OCR（目前我使用的是tesseract），它必须识别上标字符+正常字符。例如，我们有一个化学方程式，如Cl2（2是上标），但是当我使用ocr识别它时，它会给我Cl2（全部在一行中）。

那么，什么是这个问题的解决方案？是否有任何其他OCR API能够读取上标？

谢谢。

Answer 1

非常好的问题触及任何OCR系统的更先进的功能。

首先，要确保你不要忽略，即使它可能是有一个OCR系统的功能。请务必查看您的结果测试，而不是纯TXT格式，但在某种可接触到文本的查看器中。 TXT浏览器（例如Windows上的记事本）通常不支持上标/下标字符，因此即使OCR为您提供正确的字符，您的查看器也可能已将其转换为显示它。如果您正在以编程方式访问文本结果，那么这不是一个问题，因为直接访问它时应该得到正确的下标字符值。请注意，观众必须支持它才能真正看到它。如果您消除了这种可能的后处理转换并确保没有从OCR返回下标，那么它可能不支持它。

就像在该文本框中，在你原来的问题，你想给我们一个标字符的例子，但这个文本框不接受它，即使你可以复制/它粘贴到其他地方。

许多OCR会看到标为任何其它普通字符，如果他们能看到它。您的使用OCR需要具备实际生成上标/下标的技术能力，并且其中很多都有，但它们往往是商业OCR系统，这并不令人惊讶。

我回答这封信之前，做了一个小的测试用例。我为我的测试生成了一些带有上标/下标示例的图像（当然，EMC2是第一个想到的例子:)。
你可以在这里找到我的测试图像： www.ocr-it.com/documents/superscript_subscript_test_page.tif

而且全部采用默认设置，但出口到富文本格式，如MS Word .DOC处理这一形象通过OCR-IT OCR Cloud 2.0 API。

你可以在这里找到我的测试图像： www.ocr-it.com/documents/superscript_subscript_test_page_result.doc

还要注意：如果你有兴趣来提取标/下标字符，要分开注意你的图像质量，比你更会与一个典型的文本。这些字符很小，你需要足够的细节和分辨率来实现下降的OCR质量。即使在300 dpi图像下扫描，由于像素太少，有时也会出现小字符问题。如果你正在考虑移动和数码相机，这变得更加重要。

披露：我的专长是为不同规模的公司实施内部OCR解决方案。我的公司是WiseTREND。如果我可以进一步协助，请直接与我联系。