使用Tesseract OCR 提取復雜圖像中的文字

http://www.cnblogs.com/physoft/archive/2011/07/15/2107417.html

Tesseract OCR 文字識別庫識別率還是非常高的，但是前提是圖像背景簡單，如果有復雜的背景，識別率幾乎為0.

下面介紹從具有復雜背景圖像中應用 Tesseract OCR提取文字的關鍵技巧。以我做的提取運動員號碼的項目為例。

測試圖例：更多測試圖例，請訪問http://www.physoft.net/?p=554

1. 前處理。

    前處理主要完成兩個任務：

    a. 定位：根據目標圖像的特征定位目標的區域。如圖例，需要定位每個運動員數字標簽的標簽區域。Tesseract 對以文字為主體的圖像識別率還是非常不錯的。所以我們需要將定位到的區域摳出來做後面的處理，再給Tesseract 識別。定位是非常困難的，涉及到目標圖像的特征，一般來說是幾何特征。但是因為圖像復雜，特征常常也被其他物體破壞（物理上的破壞，或者光照、霧，遮擋破壞）。

    b. 二值化：Tesseract 號稱可以處理color圖像，但是估計只有對二值化的圖像，識別率才能達到可接受的程度。所以二值化可以極大的提高Tesseract識別率。將第一步定位到的局部圖像二值化。這一步相對第一步要簡單很多，但是仍然很具有挑戰性。必定二值化的結果比較良好，否則 Tesseract 就有意見了。

 前處理是成敗的關鍵，也是最難的部分。前處理做好了，Tesseract 就聽話了。前處理一般來說需要大量的圖像處理技巧。

2. 錯誤文字的剔除：

   a. 這一步相對簡單，調用Tesseract，使用makebox參數，從output文件中獲取提取到的結果，包括位置，大小。根據前處理中定位步驟中獲取的幾何特征，來過濾output中結果。如文字過寬，過小，順序不對等。注意，Tesseract 輸出的文字區域經常有區域重疊等現象，需要先使用程序重整。

   b. 使用Tesseract的tord_display_ratings，根據准確度來淘汰低准確度的文字。

   c. 多研究Tesseract配置

3. 除1,2外，Tesseract的training也是很重要的，而且train的樣例越多越好。