ocr - 正方体：指定文本区域

Question

我正在使用 tesseract-ocr-3.01 扫描许多表格。表格都遵循模板，所以我已经知道文本的区域/矩形在哪里。

使用命令行工具时，有没有办法将这些区域传递给 tesseract？

Answer 1

多亏了这个帖子，我找到了答案。

tesseract 似乎支持 uzn 格式（用于 unvl 测试）。

从线程：

使用参数“-psm 4”调用 tesseract 并用图像的相同名称重命名 uzn 文件似乎有效。

示例：如果我们有C:\input.tifand C:\input.uzn，我们这样做：

tesseract -psm 4 C:\input.tif C:\output

Answer 2

这可能不是最佳答案，但这里有：

我不确定命令行工具是否具有指定文本区域的选项。

您可以做的是在另一个平台上使用 Tesseract 包装器（EmguCV 内置了 Tesseract）。所以你得到扫描的图像，裁剪出文本区域，然后一次一个地把它们交给 Tesseract。这样，您还可以避免 Tesseract 的页面布局分析中的任何不准确之处。

例如。

Image<Gray,Byte> scannedImage = new Image<Gray,Byte>(path_to_scanned_image);
//assuming you know a text region
Image<Gray,Byte> textRegion = new Image(100,20);
scannedImage.ROI = new Rectangle(0,0,100,20);
scannedImage.copyTo(textRegion);
ocr.recognize(textRegion);