tesseract提高图片质量

一.官方文档

https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality

二.提高输出质量

因为采集的图片会出现阴影、倾斜、边角等，所以先对图片进行预处理，官方推荐的方法如下

1.图像处理

• 改变尺寸
• 二值化
• 噪声去除
• 旋转/抗扭斜
• 除边界
• 工具/库
• 例子

2.页面分割方法

3.词典、单词列表、模式

---

改变尺寸：
Tesseract要求图片至少在300dpi，这样才能更好的调整图片。

---

二值化：
将图像转换为黑白

---

噪声去除：
噪声是图片上随机变化的亮度和颜色，会造成图像阅读文本困难。某些噪声在二值化之后也不能被Tesseract移除，导致准确率下降。

---

旋转/抗扭斜：
歪斜的图像是指扫码的图像不是正直的。如果一个页面特别倾斜，Tesseract’s 的分隔会大大降低，严重影响OCR质量。根据文本的行是值的去旋转图像。

---

除边界：
扫描的页面边界四周通常是黑暗的。将导致获取错误的字符，尤其它们是不同的形状和渐变。

---

工具/库：

• Leptonica
• OpenCV
• Scan Tailor
• ImageMagick
• unpaper
• ImageJ
• Gimp

---

例子
如果你想以编程的方式提成图像质量，看下面的例子：

• OpenCV - Rotation (Deskewing) - c++ example
• Fred’s ImageMagick TEXTCLEANER - bash script for processing a scanned document of text to clean the text background.
• rotation_spacing.py - python script for automatic detection of rotation and line spacing of an image of text
• crop_morphology.py - Finding blocks of text in an image using Python, OpenCV and numpy
• Credit card OCR with OpenCV and Python