python - 正方体使用字母子集

Question

我在 Ubuntu Linux 上使用 tesseract-ocr 包，我已经使用了一段时间，我认为为了提高 OCR 的准确性，我只需要字母表中的字母子集。我需要的字母是：

0123456789abcdefghijklmnopqrstuvwxyz

只有这样，甚至不是大写字母，任何人都可以帮助我指示 tesseract 只匹配字母的子集吗？

谢谢，

Answer 1

从python-tesseract 项目页面：

import tesseract
api = tesseract.TessBaseAPI()
api.Init(".","eng",tesseract.OEM_DEFAULT)
api.SetVariable("tessedit_char_whitelist", "0123456789abcdefghijklmnopqrstuvwxyz")
api.SetPageSegMode(tesseract.PSM_AUTO)

所以只需在api.SetVariable.

来自tesseract-ocr 项目 FAQ

正方体 2.03 使用

TessBaseAPI::SetVariable("tessedit_char_whitelist", "0123456789");

在调用 Init 函数或将其放入名为 tessdata/configs/digits 的文本文件之前：

tessedit_char_whitelist 0123456789 

然后你的命令行变成：

tesseract image.tif outputbase nobatch digits 

警告：在新旧配置变量合并之前，您还必须拥有 nobatch 参数。

Tesseract 3 已经创建了一个数字配置文件，所以只需运行一个 tesseract 命令，如下所示：

tesseract imagename outputbase digits

Answer 2

您正在寻找的是 Tesseract 白名单。如果您使用 python 并使用它和 API，我认为这应该可以工作（在 Tesseract Google Group 上找到）。

api.SetVariable("tessedit_char_whitelist", "abcdefghijklmnopqrstuvwxyz0123456789 ");

请注意，我不确定这适用于哪个版本的 Tesseract。