是否可以限制tesseract正在寻找的字符集（例如仅搜索字母 az）？这将大大改善我的结果。
问问题
100611 次
7 回答
91
在 tessdata/configs 目录中创建一个配置文件（例如“字母”） - 通常/usr/share/tesseract/tessdata/configs
或
/usr/share/tesseract-ocr/tessdata/configs
并将这一行添加到配置文件中：
tessedit_char_whitelist abcdefghijklmnopqrstuvwxyz
...或者也许 [az] 有效。我不知道。然后像这样调用 tesseract：
tesseract input.tif output nobatch letters
这将限制 tesseract 只识别想要的字符。
于 2010-06-06T06:08:44.340 回答
30
要在配置文件中使用白名单或使用-c tessedit_char_whitelist=...命令行开关，在最新的 4.0 版本中，您必须将 OCR 引擎模式设置为“仅限原始 Tesseract”。这是因为新的“神经网络 LSTM”模式不尊重白名单设置。4.0 版本的正确命令行示例：
tesseract input_file output_file --oem 0 -c tessedit_char_whitelist=abc123
更新：在较新的版本（4.0）中eng.traineddata，Windows 和一些 Linux 安装程序默认安装了损坏的文件。临时解决方案是tessdata\eng.traineddata用旧版本的文件替换文件。这个文件应该是大约 30MB。否则你会得到错误：“Tesseract 无法加载任何语言！” 或类似的。
从 tesseract 4.1.1 更新
但是，在 tesseract 4.1.1 中修复了上述错误，也就是说，在 tesseract 4.1.1 中，以下工作就像一个魅力
tesseract my_image.jpg stdout -l mylang configfile myconfig
其中“myconfig”是位于 TESSDATA/configs 中的纯文本文件
load_system_dawg false
load_freq_dawg false
tessedit_char_whitelist ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789
于 2018-02-28T13:39:43.973 回答
23
除了配置文件，还有-c标志：
tesseract stdin stdout -c tessedit_char_whitelist=abcdefghijklmnopqrstuvwxyz -psm 6
更新
确认正在处理版本：
- 4.1.1
于 2016-09-08T09:34:36.690 回答
9
只需为在 Android 上使用 tesseract 的任何人添加此内容。在您设置语言等的 readOCR 函数中，添加以下行；
tesseract.setVariable("tessedit_char_whitelist","ABCDEFGHIJKLMNOPQRSTUVWXYZ");
您还可以对要排除的字符进行黑名单。
于 2017-03-21T13:03:11.010 回答
2
我正在使用 Ubuntu 18.04.4 LTS。默认的 tesseract 是版本 4。我不能使用白名单。然后我将它升级到版本 5。然后我使用下面的命令并且它工作。
tesseract sample.jpg stdout -l eng --oem 3 --psm 7
Warning: Invalid resolution 0 dpi. Using 70 instead.
LL £036 GL)
tesseract sample.jpg stdout -l eng --oem 3 --psm 7 -c tessedit_char_whitelist="ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789"
Warning: Invalid resolution 0 dpi. Using 70 instead.
L4036GL
于 2020-04-11T06:15:32.957 回答
1
在 Tesseract 4.00 版中，无法做到这一点。您只能微调您的模型或使用正则表达式从预测中删除多余的字符。
于 2019-04-26T04:24:08.817 回答
0
我的答案完全来自接受的答案，并在此处添加以使任何使用TesseractNuGet 包的 .NET Windows 开发人员受益 - 但是，请注意我的项目符号 2，它适用于在 Windows 上使用任何类型的任何人Tesseract
- 在其他训练数据所在的
config文件夹内创建一个文件夹。tessdata - 在文件夹中添加一个
letters文件config。
使用像 TextPad 这样的编辑器，它可以帮助您将其保存为 UNIX 格式、ANSI 编码（我最初尝试过 UTF-8 / IBM PC 并且 tesseract 在我的测试输出中出现错误） - 就像您的训练文件一样，确保该
letters文件在“属性”面板中设置了“构建操作”Content并进一步标记为复制到输出目录：
- 因此调用您的 tesseract 引擎类：
var ocrEng = new TesseractEngine("./tessdata", "eng", EngineMode.Default, "letters");
于 2020-10-29T15:27:24.580 回答