23

我正在开展一个项目，该项目涉及提取以 PDF 格式存储的文本科学论文。对于大多数论文，使用 PDFMiner 很容易完成，但一些较旧的论文将其文本存储为大图像。本质上，扫描一张纸，该图像文件（通常是 PNG 或 JPEG）包含整个页面。

我尝试通过它的python-tesseract绑定使用 Tesseract 引擎，但结果非常令人失望。

在深入探讨我对这个库的问题之前，我想提一下，我愿意接受有关 OCR 库的建议。似乎很少有原生的 python 解决方案。

这是我试图提取文本的一张这样的图像（JPEG）。我在上面链接到的 python-tesseract google 代码页上的示例片段中提供的确切代码。我应该提到文档有点稀疏，所以很可能我的代码中的许多选项之一配置错误。任何建议（或深入教程的链接）将不胜感激。

这是我尝试 OCR 的输出。

我的问题如下：

  1. 我正在使用的代码中是否有任何不理想的地方？有没有更好的方法来做到这一点？也许是一个不同的图书馆？
  2. 我可以执行什么样的预处理来改进检测？这些图像都是黑白的，但我是否应该设置一个阈值并将其上方的任何内容设置为单值黑色，并将其下方的所有内容设置为空值白色？还要别的吗？
  3. 一个更具体的问题：可以通过对单个单词执行 OCR 来提高性能吗？如果是这样，任何人都可以建议一种方法来分隔图像文件中的单个单词（例如：上面链接的那个）并将它们提取到可以独立处理的单独图像中吗？
  4. PDF 页面图像中嵌入的图形和其他图像的存在是否会干扰 OCR？我应该删除这些吗？如果是这样，任何人都可以建议一种自动删除它们的方法吗？

编辑： 为简单起见，这是我使用的代码。

import tesseract
api = tesseract.TessBaseAPI()
api.Init(".","eng",tesseract.OEM_DEFAULT)
api.SetPageSegMode(tesseract.PSM_AUTO)

mImgFile = "eurotext.jpg"
mBuffer=open(mImgFile,"rb").read()
result = tesseract.ProcessPagesBuffer(mBuffer,len(mBuffer),api)
print "result(ProcessPagesBuffer)=",result

这是替代代码（尽管性能似乎非常相似，但此问题中未显示其结果）。

import cv2.cv as cv
import tesseract

api = tesseract.TessBaseAPI()
api.Init(".","eng",tesseract.OEM_DEFAULT)
api.SetPageSegMode(tesseract.PSM_AUTO)

image=cv.LoadImage("eurotext.jpg", cv.CV_LOAD_IMAGE_GRAYSCALE)
tesseract.SetCvImage(image,api)
text=api.GetUTF8Text()
conf=api.MeanTextConf()

谁能解释这两个片段之间的区别？

4

2 回答 2

12

如果您稍微修改一下，Tesseract 在干净的输入文本（如您的示例）上非常好。一些建议：

  • 在自动化之前，在命令行开始使用 tesseract
  • 如果可能，限制您的字符集（例如，查看 /usr/local/share/tessdata/configs 的 ./digits - 将其配置为英文字符大/小写等）并将其作为命令行参数提供
  • 仅使用 PNG 或 TIFF 图像（旧版本为 TIFF），因为 JPG 会引入伪影
  • 对图像进行上采样，使您的文本大于当前的小字体。Tesseract 行 > 10 像素高的字符（如果有记忆的话），对于小字符，它的性能肯定会更差
  • 如果您已经是双层，则无需进行阈值处理，但这样做不会有任何伤害，并且您可以看到与 tesseract 将看到的完全相同的图像

我会回来看看我是否可以提供更多帮助，但请加入 tesseract 邮件列表，它们真的很有帮助。

旁注 - 我有一些 pytesseract 补丁，我应该发布这些补丁，以便通过 API 获取字符、置信度和单词（这在几个月前是不可能的）。喊他们是否有用。

于 2012-07-26T22:20:28.333 回答
6

第一个示例将文件作为缓冲区读取，然后将其中继到 tesseract-ocr 而不进行任何修改，而第二个示例将文件读取为 opencv 格式，这将允许您进行一些图像修饰，例如更改纵横比、灰度和等使用 cv 库。如果您想在将图像传递给 tesseract 之前进行图像处理，则第二种方法非常有用。

顺便说一句，我是 python-tesseract 的所有者。如果您想提问，您可以随时将您的问题转发到http://code.google.com/p/python-tesseract

乔

于 2012-08-13T17:55:11.590 回答