10

在我的工作中，有时我必须获取一些打印的源代码并手动将源代码输入文本编辑器。不要问为什么。

显然，输入它需要很长时间，而且总是需要额外的时间来调试输入错误（哎呀，那里错过了一个“$”符号）。

我决定尝试一些 OCR 解决方案，例如：

  • Microsoft Document Imaging - 内置 OCR
    • 结果：错过了所有前导空格，错过了所有下划线，错误地解释了许多标点符号。
    • 结论：比手动输入代码要慢。
  • 各种在线网络 OCR 应用程序
    • 结果：与 Microsoft Document Imaging 相似或更差
    • 结论：比手动输入代码要慢。

考虑到字体是无衬线和等宽字体，我觉得源代码很容易进行 OCR。

你们中有人找到了一个很好的在源代码上运行的 OCR 解决方案吗？

也许我只需要一个更好的 OCR 解决方案（不一定是特定于源代码的）？

4

7 回答 7

6

使用 OCR，目前有三种选择：

  • Abbee FineReader和OminPage。两者都是商业产品，在功能和 OCR 结果方面差不多。关于 OmniPage 我不能说太多，但 FineReader 确实支持阅读源代码（例如，它有一个 Java 语言库）。
  • 最好的 OSS OCR 引擎是tesseract。它更难使用，您可能需要针对您的语言对其进行培训。

我很少做 OCR，但我发现在商业软件上花费 150 美元可以弥补浪费的时间。

于 2009-12-11T15:11:05.943 回答
5

今天存在两个新选项（在提出问题多年后）：

1.)

Windows 10 附带 Microsoft 的 OCR 引擎。

它在命名空间中：

Windows.Media.Ocr.OcrEngine

https://msdn.microsoft.com/en-us/library/windows/apps/windows.media.ocr

Github 上也有一个例子：

https://github.com/Microsoft/Windows-universal-samples/tree/master/Samples/OCR

你需要 VS2015 来编译这些东西。或者，如果您想使用旧版本的 Visual Studio，您必须通过传统 COM 调用它，然后阅读 Codeproject 上的这篇文章：http: //www.codeproject.com/Articles/262151/Visual-Cplusplus-and-WinRT-Metro -一些基本面

OCR 质量非常好。然而，如果文本太小，您必须先放大图像。您可以通过 Windows 更新下载世界上存在的所有语言 - 甚至是手写！

2.)

另一种选择是使用 Office 中的 OCR 库。它是一个 COM DLL。它在 Office 2003、2007 和 Vista 中可用，但在 Office 2010 中已被删除。

http://www.codeproject.com/Articles/10130/OCR-with-Microsoft-Office

缺点是每个 Office 安装都支持几种语言。例如，西班牙办公室安装了对西班牙语、英语、葡萄牙语和法语的支持。但我注意到，如果您使用西班牙语或英语作为 OCR 语言来检测西班牙语文本，几乎没有区别。

如果将图像转换为灰度，您将获得更好的结果。识别还可以，但并没有让我满意。尽管 Tesseract 需要更多的图像预处理来获得这些结果，但它产生的错误大约与 Tesseract 一样多。

于 2016-07-26T16:36:17.667 回答
2

试试http://www.free-ocr.com/。当我的 IDE 在编辑器会话中崩溃而没有警告时，我已经使用它从屏幕抓取中恢复源代码。这显然取决于您在编辑器中使用的字体（我在 Delphi 中使用 Courier New 10pt）。我尝试使用 Google Docs，它会在您上传图像时对图像进行 OCR - 虽然 Google Docs 在扫描文档上非常好，但由于某种原因它在 Pascal 源上惨遭失败。

工作中的 FreeOCR 示例： 输入图像：

图片上传

给了这个：

begin
FileIDToDelete := FolderToClean + 5earchRecord.Name ;
Inc (TotalFilesFound) ;
if (DeleteFile (PChar (FileIDToDelete))) then
begin
Log5tartupError (FormatEx (‘%s file %s deleted‘, [Annotation, Fi eIDToDelete])) ;
Inc (TotalFilesDeleted) ;
end
else
begin
Log5tartupError (FormatEx (‘Error deleting %s file %s‘, [Annotat'on, FileIDToDelete])) ;
Inc (TotalFilesDeleteErrors) ;
end ;
end ;
FindResult := 5ysUtils.FindNext (5earchRecord) ;
end ;

所以替换缩进是大部分工作，然后将所有5的更改为大写S。它也被 80 列标记处的垂直线弄糊涂了。幸运的是，大多数错误都会被编译器发现（引用字符串中的错误除外）。

很遗憾，FreeOCR 没有“源代码”选项，其中空白被视为重要。

提示：如果您的源包含语法突出显示，请确保在上传之前将图像保存为灰度。

于 2015-04-22T21:04:10.147 回答
1

OCRopus也是一个不错的开源选项。但是像 Tesseract 一样，要有效地使用和集成它有一个相当陡峭的学习曲线。

于 2009-12-11T15:24:45.220 回答
1

对于 OCR，印刷文本与手写通常更容易，但这完全取决于您的源图像，我通常发现以 PNG 格式捕获，减少颜色（灰度是最好的）并进行一些手动清理（消除由于扫描等引起的任何图像噪声）效果最好。

大多数 OCR 在性能和准确性上都相似。具有训练/纠正能力的 OCR 是最好的。

于 2009-12-11T14:58:34.437 回答
1

总的来说，我发现FineReader给出了非常好的结果。通常所有产品都有试用版。尽可能多地尝试。

现在，程序源代码可能很棘手：

  • 前导空格：也许邮政编码漂亮的打印机过程可以提供帮助
  • 下划线和标点符号：也许可以为此训练一个好的产品
于 2009-12-11T15:07:02.250 回答
1

Google Drive的内置 OCR 对我来说效果很好。只需将扫描件转换为 PDF，上传到 Google Drive，然后选择“Open with... Google Docs”。颜色和文字大小有一些奇怪的东西，但它仍然包括分号等。

原始屏幕截图： 原始截图 Google Docs OCR： 谷歌文档 OCR

明文版：

#include <stdio.h> int main(void) { 
char word[51]; int contains = -1; int i = 0; int length = 0; scanf("%s", word); while (word[length] != "\0") i ++; while ((contains == 1 || contains == 2) && word[i] != "\0") { 
if (word[i] == "t" || word[i] == "T") { 
if (i <= length / 2) { 
contains = 1; } else contains = 2; 
return 0;
于 2020-05-19T00:18:40.263 回答