调用tesseract_ocr实现OCR（一）

摘要

本文档记录了本人如何使用tesseract_ocr实现字符识别功能。该技术文档包括函数解释与工程实例，如需转载，请注明引用。

---

如何提高识别率

• 外部处理
  • 根据官方技术文档可知,tesseract本身对输入图像会使用一些图像处理并分割字符，但有时效果不佳可以通过以下方法提高。
    • 尺度化
      首先，保证图片大小最好在200X200以上，或者说单个字符至少是30像素X30像素以上（下限是多少我也不知道）。过小识别率会降低。
      其次，适当拉宽图像，以OpenCV为例，使用resize(src, dst, Size(0,0), 1.2, 1.0, INTER_LINEAR);输出图像的width是输入图像的1.2倍，height不变。

    • 二值化
      虽然不二值化tesseract也能识别，但识别的准确率不稳定，因此强烈建议使用二值化操作，增强字符与背景的对比度。

      
      
      testing_result1.JPG

    • 去噪
      二值化后图片可能会留下许多噪点，因此去噪是十分有必要的，否则会同样会导致识别错误。

      
      
      捕获.JPG
      
      

      统计学、形态学去噪都有不错的效果，具体情况具体分析。

    • 旋转校正与去边缘
      tesseract基本不支持旋转变换，因此自行修正旋转。同时边缘结构同样会影响识别。
      总而言之，输入tesseract的图像最好是背景没有噪点、字符工整的。