Tesseract-OCR文字識別

放在前面：本文主要參考了這篇知乎專欄-Gemfield

時間有限，長話短說，主要是放一些資源，方便查找。

1.預處理

對於中文識別來講，不作預處理簡直慘不忍睹。主要手段爲

• binarize and de-noise image；
• 高斯模糊之類的blur算法；
• 縮放圖像（fix text size，e.g. 12 pt should be ok)；
• 銳化（Sharpening effect）；
• fix DPI (if needed) 300 DPI is minimum；
• try to fix illumination of image (e.g. no dark part of image);
• contrast, brightness... it tends to work best when there is just black & white, i.e. no greyscale;
• 去掉圖片中無關的線條;
• 高對比度；

詳細的官方教程

再放一個有人制做的相關工具textcleaner ，這裏有一小段介紹

2. 識別中文

下載中文語言包，簡體中文的代號爲chi_sim，每種語言在新時代的tesseract都應該有3種語言包：fast版、best版、raw版。fast版是考量了速度，並對準確度作了必定的妥協，apt安裝的時候下載的語言包模型正是fast版。raw版是混合了新時代的LSTM模型和舊時代的模型，所以當使用raw版的時候，在命令行上能夠指定 --oem 2。

• fast版chi_sim.traineddata
• best版chi_sim.traineddata
• raw版chi_sim.traineddata

我嘗試使用best時報錯了。。先把連接放着吧。

3. 訓練

Tesseract 4.0 使用了LSTM，估計訓練完後效果不錯。能夠先參考上面的原文章操做，這裏先不寫了等後面嘗試了再來寫。

小建議

• 使用PNG格式而不是JPEG格式，
• 若是先檢測後分割兩步走，注意分割後的切片可能很小，須要放縮到300dpi以上
• 若是效果不滿意，能夠考慮試試深度學習模型，先放個推文，後面時間在總結一下
• 再放一個介紹文本檢測識別數據集的博客

（完）