ocr - OCR：加权 Levenshtein 距离

Question

我正在尝试用字典创建一个光学字符识别系统。

事实上我还没有实现字典=）

我听说有基于 Levenstein 距离的简单指标，它考虑了不同符号之间的不同距离。例如，'N' 和 'H' 彼此非常接近，并且 d("THEATRE", "TNEATRE") 应该小于 d("THEATRE", "TOEATRE") 使用基本 Levenstein 距离是不可能的。

你能帮我找到这样的指标吗？

Answer 1

这可能是您正在寻找的内容：http ://en.wikipedia.org/wiki/Damerau%E2%80%93Levenshtein_distance （链接中包含一些工作代码）

更新：

http://nlp.stanford.edu/IR-book/html/htmledition/edit-distance-1.html

Answer 2

这是一个示例 (C#)，其中“替换字符”操作的权重取决于字符代码之间的距离：

      static double WeightedLevenshtein(string b1, string b2) {
        b1 = b1.ToUpper();
        b2 = b2.ToUpper();

        double[,] matrix = new double[b1.Length + 1, b2.Length + 1];

        for (int i = 1; i <= b1.Length; i++) {
            matrix[i, 0] = i;
        }

        for (int i = 1; i <= b2.Length; i++) {
            matrix[0, i] = i;
        }

        for (int i = 1; i <= b1.Length; i++) {
            for (int j = 1; j <= b2.Length; j++) {
                double distance_replace = matrix[(i - 1), (j - 1)];
                if (b1[i - 1] != b2[j - 1]) {
                    // Cost of replace
                    distance_replace += Math.Abs((float)(b1[i - 1]) - b2[j - 1]) / ('Z'-'A');
                }

                // Cost of remove = 1 
                double distance_remove = matrix[(i - 1), j] + 1;
                // Cost of add = 1
                double distance_add = matrix[i, (j - 1)] + 1;

                matrix[i, j] = Math.Min(distance_replace, 
                                    Math.Min(distance_add, distance_remove));
            }
        }

        return matrix[b1.Length, b2.Length] ;
    }

你可以在这里看到它是如何工作的：http: //ideone.com/RblFK

Answer 3

几年太晚了，但是下面的 python 包（我不隶属于它）允许对所有 Levenshtein 编辑操作和 ASCII 字符映射等进行任意加权。

https://github.com/infoscout/weighted-levenshtein

pip install weighted-levenshtein

还有这个（也不是附属的）：

https://github.com/luozhouyang/python-string-similarity