[轉]OCR----你不得不知的Tesseract六大重要核心

轉載地址：http://blog.csdn.net/guzhenping/article/details/51035077

Abstract

---

整理了不少OCR的資料，這篇主要是對Tesseract重要的知識進行總結羅列。本次總結，基於2007年Smith所寫的Paper—-《An Overview of the Tesseract OCR Engine》，因此算是論文導讀吧。PS：Smith是一個專一OCR領域30年的男人~~太可怕了！

這篇文章的重點是在文本行的查找，特徵/分類的方法，以及自適應分類器。此外，文章中介紹了Tesseract發展歷史，我就略過了，只談技術相關。

 

1. Architecture

---

先談Page Layout Analysis技術，它在OCR領域是個很重要的部分，由於算是文字識別的準備工做。可是，早期的Tesseract沒有這項技術，由於HP實驗室開發了獨立的Page Layout Analysis technology。因此在後期的Tesseract就加入了這項技術。

沒記錯，就是Tesseract 3.x系列，可是工做沒有完成。Smith是基於製表位探測技術作的頁面分析。據Smith說下面在作頁面中table的檢測，我猜快作完了吧….

這篇論文裏的（舊）Tesseract假設：其數據源是已定義的可選多邊形文本域的二進制圖片。

Tesseract therefore assumes that its input is a binary image with optional polygonal text regions defined.

再談處理過程。分兩步： （1）connected component analysis，而後獲得Blobs. （2）從Blobs中獲得文本行，而後獲得固定比例的(fixed pitch)或者成比例的(proportional)文本。

最後談識別過程。分兩步： （1）經過一個一個地識別單詞訓練自適應分類器（adaptive classifier），classifer將獲得更高的概率能正確識別單詞。 （2）識別整個頁面。

 

2. Line and Word Finding

---

歸納來講，先找文本行（lines）,再找基線（baseline），而後將單詞（word）切割成字符（character）。

細細來說三點：

• 找文本行所用的算法參見：《A Simple and Efficient Skew Detection Algorithm via Text Row Accumulation》,written by Ray Smith。
• baseline使用的二次樣條曲線（quadratic spline），參考資料：《Optical Character Recognition: An Illustrated Guide to the Frontier》,written by S.V. Rice。
• 經過固定間距檢測（fixed pitch detection），把單詞切成字符。對於沒有固定間隔的文本，即成比例單詞（proportional word），採用計算baseline和mean line之間的空隙垂直範圍。

 

致歉

---

這篇博文在個人草稿箱放了過久，不公佈出來就是浪費。可是，目前的內容很是對不起文章標題。按照題目，我還會寫：

• 3 Word Recognition
• 4 Static Character Classifier
• 5 Linguistic Analysis
• 6 Adaptive Classifier

若是這篇博文反響還不錯，我將繼續下去。Sorry~Everyone~

 

結語

---

我還健康的活着，有問題歡迎交流！這裏在大牛面前，班門弄斧，實在很差意思哈~歡迎指正！

有問題能夠在個人微信公衆號「谷震平的專欄」提出，當天答覆。歡迎，掃描下方二維碼，回覆「Tesseract」，便可獲得《An Overview of the Tesseract OCR Engine》（我我的進行了註釋、翻譯）的閱讀連接。

                      

                     

文章列表