c# - 如何自定义 Tesseract 忽略噪声？

Question

我有这样的图像（白色背景和黑色文本）。如果没有噪音（如你所见：数字线的顶部和底部有很多噪音），Tesseract 可以很好地识别数字。

但是当有噪音时，Tesseract 会尝试将其识别为数字并在结果中添加更多数字。这真的很糟糕。如何使 Tesseract 忽略噪声？我无法制作预处理图像以使其更具对比度或清晰的文本。这没有任何帮助。

如果某些工具可以仅突出显示字符串行。这对 Tesseract 来说是非常好的输入。请帮我。谢谢大家。

Answer 1

你应该尝试腐蚀和膨胀：

最基本的形态学操作有两种：腐蚀和膨胀。它们具有广泛的用途，即：

去除噪音

...

Answer 2

您可以尝试对二进制图像进行下采样并再次对其进行采样（pyrDown和PyrUp），或者您可以尝试smooth使用高斯模糊对图像进行采样。而且，正如已经建议的那样，erode还有dilate你的形象。

Answer 3

我看到您的问题的 3 个解决方案：

1. 正如已经建议的那样 - 尝试使用erode和dilate或某种模糊。这是最简单的解决方案。
2. 找到所有轮廓（findContours函数），然后删除面积小于某个值的所有轮廓（尝试不同的值，你应该很快找到正确的值）。请注意，该值可能不是恒定的 - 例如，您可以尝试使用 80% 的平均轮廓区域（只需添加所有轮廓区域，将其除以轮廓数量并乘以 0.8）。
3. 找到所有轮廓。创建一维整数数组，长度等于图像高度。用零填充数组。现在对于每个轮廓：
   I. 找到顶部和底部点（y 坐标值最大和最小值的点）。让我们将此点命名为T和B。
   二、B.y将索引在和之间的数组的所有元素加一T.y。（因此，如果 B = (1, 4) 且 T = (3, 11) 则将 1 添加到数组 [4]、数组 [5]、数组 [6] ...、数组 [11]）。
   找到数组的最大元素。让我们命名这个值v。所有B.y <= v <= T.y应该是字母的轮廓，其他轮廓 - 噪音。

Answer 4

您可以使用图像处理技术（腐蚀和扩张等形态学操作）轻松去除这些噪声，您可以选择 opencv 进行此操作。

Answer 5

做连接组件标记....即斑点计数....所有剂量噪声永远无法匹配数字的大小....使用形态学技术，数字也会被修改...标记图像...计数每个标记区域中的像素数并设置一个阈值（您可以轻松设置，因为您只有数字和噪声）...cvblob 是用 C++ 编写的库，可在代码 google 上找到...

Answer 6

我有类似的问题：小噪音是 tesseract 失败的原因。我不能使用 open-cv，因为我在 android 上开发了一些功能，而 open-cv 是不需要的，因为它很大。我不知道这个解决方案是否很好，但这就是我所做的。

我在图像中找到了所有黑色区域（我添加到自己的区域集的每个区域的点）。然后，我检查该区域中的点数是否大于某个阈值，例如 10、25 和 50。如果为真，我将该区域的所有点设为白色。