image-processing - tesseract 的最佳图像输入类型是什么？

Question

我在一个项目中使用 tesseract 并想知道 tesseract 的最佳图像输入类型以提供最佳输出。Binary&TIFF 是最好的输入还是其他？

Answer 1

我过去使用 TIFF 完成类似任务时取得了出色的成绩。当时我使用 OpenCV 进行了一些预处理并将结果导出到 TIFF 文件，该文件后来被发送到 tesseract。这是相当不错的。

Answer 2

我发现 TIFF 比 jpg 提供了更好的结果，并且是对所有其他类型最好的。

最初的 Tesseract 程序只能处理 TIFF 文件，这让我相信它是最合适的

Answer 3

使用 .tif 的优点是 (1) scantailor 输出 .tif 文件和 (2) 可以使用 tiffcp 将单个 .tif 合并为一个可以馈送到 tesseract 的多页文件。困难在于，如果您让 tesseract 输出 .pdf，那么您无法控制所创建的 .pdf 类型。使用pdfimages -list，我发现它以与输入相同的 dpi 输出 .ccitt 和 .jpeg 的组合。然后，尝试使用 imagemagic 将其转换为较低的 dpi 或其他压缩会产生较差的结果。

我发现的替代方法是首先使用 imagemagic 将所有 .tif 转换为 .png。然后将 .png 逐个提供给 tesseract，为每个 .png 生成一个 .pdf。在这种情况下，.pdf 现在包含光栅图像。然后可以将它们与 imagemagic 组合并重新编码。

我可以在这里看到的唯一缺点是，如果tesseract 正在学习 OCR 的文档（我不知道它是，但它可能是），那么我们希望一次给它整个文档而不是一页一次。