轉：關於使用ImageMagick和Tesseract進行簡單數字圖像識別

聽說Tesseract但是世界排名第三的OCR神器，2010年又更新了3.0版本。Tesseract原先是HP寫的，如今Open Source了。

 

下面介紹怎麼用Tesseract配合ImageMagick進行簡單的數字圖像識別。

 

首先Tesseract只能識別bmp，tif，因此先拿ImageMagick轉換一下圖像。注意得無壓縮轉換，不然Tesseract報錯。

convert -compress none ./pict.gif./in1.tif

而後將圖片灰度化-colorspace Gray，或者直接二值化-monochrome成黑白，這樣識別率會高一點。

接下來裁剪出想要進行精確識別的部分：-crop widthxheight+x+y

好比-crop 320x40+0+1，從左上角開始座標爲(0,1)處，裁剪出320*40大小的圖像。注意參數裏是英文字母x，不是乘號*。

 

還有就是網上搜到的-depth 8和-alpha off參數，實踐代表加不加效果不大。

一步完成就像這樣：

convert -compress none-depth 8 -alpha off -crop 535x24+2+2 -monochrome ./pict.gif ./in1.tif

 

預處理完以後最好再放大一下，此次的樣例放大到500%~600%的識別效率就能使人滿意。

convert ./in1.tif -scale600% ./in2.tif

 

而後就能夠開始用Tesseract進行識別了。

tesseract ./in2.tif ./1-l eng -psm 7

 

-l eng是選擇語言，-psm 7是說源圖像是隻在一行上的文字。具體說明看Tesseract的幫助。

 

下面就是一些實例。

原圖以下：

下面是二值化以後的效果，能夠看見仍是有些噪點的。

下面是灰度化以後的效果。

識別以後的結果是：

05093519038515450004738373775251263J91648J94318529731857

能夠看到有些誤報，針對這個問題又特殊處理一下誤報字符，結果識別率在90%左右

參考資料：

ImageMagick: http://www.imagemagick.org

Tesseract: http://code.google.com/p/tesseract-ocr