ocr - Tesseract - 空格和制表符的歧义

Question

我有一个 tiff 文件，其中包含一些由制表符（4 个空格）分隔的文本。但是当我从这个 tiff 图像文件中提取文本时，我总是在两列之间得到一个空格。一个示例：

TIFF IMAGE:
col-a    col-b    col-c

desired output:
col-a    col-b    col-c

but I am getting the following:
col-a col-b col-c

我尝试了多张相同格式的图像，但结果总是一样的。我该如何解决这个问题？我可以训练 tesseract 来理解这一点吗？

score 8 · Accepted Answer

经过很长时间的研究，我找到了解决方案。以下是要遵循的步骤

preserve_interword_spaces 0

或者

preserve_interword_spaces 1

score 4 · Accepted Answer

Tesseract 将连续的空格压缩为一个。您需要修改baseapi.cpp以保留空格。代码更改可以在以下帖子中找到：

2 回答 2