Tesseract Wyszkolone dane

Question

Próbuję wyodrębnić dane z rachunków i rachunków za pomocą Tessaract, używam wersji tesseract 3.02.

Korzystam tylko z danych angielskich, Wciąż dokładność wyjściowa wynosi około 60%.

Czy istnieją jakieś wyszkolonych dostępnych danych, które ja po prostu zastąpić w tessdata folderze

Answer 1

to jest Nicky obraz dostarczany jako „typowy przykład pliku”:

patrząc na to bym wyraźnie powiedz: "Zapomnij o tym, nicku! Nie możesz wyszkolić Tesseract, aby rozpoznał 100% tekstu z tego typu obrazu!"

Jednak można szkolić się zrobić lepsze zdjęcia z iPhone 3GS (to urządzenie, które zostało wykorzystane do przykładowych zdjęć) z takiego rodzaju wpływy. Oto kilka wskazówek:

• Nie należy używać ciemnego tła. Zamiast tego użyj białego.
• Nie pozwól, aby papier paragon się rozpadł. Wyprostuj to.
• Nie umieszczaj paragonu luźno na nierównym podłożu. Zamocuj go na płaskiej powierzchni:
  • Umieść je na białej kartce papieru i nałóż na niego płytę z szybą.
  • Można też użyć kleju i przykleić go płasko na białej kartce papieru bez żadnych zagięć lub narożników.
• Nie należy używać niskiej rozdzielczości, takiej jak tylko 640x480 pikseli (jak na przykładowym obrazku). Użyj wyższej, na przykład 1280 x 960 pikseli.
• Nie należy używać standardowej ekspozycji. Ustaw aparat, aby używał bardzo wysokiego kontrastu. Chcesz, aby litery były czarne, a białe tło było naprawdę białe (nie potrzebujesz szarości na zdjęciu ...)
• Postaraj się, aby każdy znak czcionki o rozmiarze 10-12 pt. 24-30 pikseli wysokości (to znaczy, aby obraz miał około 300 dpi dla 100% zoomu).

---

Powiedział, że coś następującego polecenia ImageMagick prawdopodobnie zwiększy szybkość rozpoznawania tesseract poprzez pewnego stopnia:

convert        \ 
    http://i.stack.imgur.com/q3Ad4.jpg \ 
    -colorspace gray     \ 
    -rotate 90       \ 
    -crop 260x540+110+75 +repage  \ 
    -scale 166%       \ 
    -normalize       \ 
    -colors 32       \ 
    out1 .png 

To daje następujące dane wyjściowe:

Możesz nawet dodać coś takiego, jak -threshold 30%jako ostatnia opcja linii poleceń do powyższego polecenia, aby uzyskać w ten sposób:

(Powinieneś grać trochę z pewnymi zmianami do wartości 30% dostosować wynik ...Nie mam na to czasu.)

Answer 2

Podanie dokładnych informacji z paragonu nie jest niemożliwe przy pomocy tesseract. Będziesz musiał dodać filtry obrazu i kilka innych narzędzi, takich jak OpenCV, NumPy ImageMagick i Tesseract. W PyCon 2013 odbyła się prezentacja Francka Chastagnola, w której opisał, jak zrobił to jego firma.

Oto link: http://pyvideo.org/video/1702/building-an-image-processing-pipeline-with-python

Answer 3

potrzebowałem dokładnie to samo i próbowałem niektóre optymalizacje obrazu w celu poprawy wyjście

można znaleźć mój eksperyment z tessaract tutaj

https://github.com/aryansbtloe/ExperimentWithTesseract

Answer 4

Możesz uzyskać znacznie czystszy obraz przetworzony przed użyciem Tesseract do OCR tekstu. Spróbuj użyć techniki Background Surface Thresholding (BST), a nie innych prostych metod progowania. Możesz znaleźć biały dokument na temat here.

Jest to implementacja BST do OpenCV, że działa całkiem dobrze https://stackoverflow.com/a/22127181/3475075