ocr - 使用 OCR 识别上标字符

Question

我已经开始了一个简单的项目，其中它必须获取包含带有上标的文本的图像，然后通过使用 OCR（目前我正在使用 tesseract）它必须识别上标字符 + 普通字符。

例如，我们有一个化学方程式，例如 Cl²，但是当我使用 tesseract 识别它时，它给了我 Cl2（都在一行中）。

那么，这个问题的解决方案是什么？是否有任何其他能够读取上标的 OCR API？

Answer 1

非常好的问题，涉及任何 OCR 系统的更高级功能。

首先，确保您不会忽略该功能，即使它可能存在于 OCR 系统上。确保不是以纯 TXT 格式查看您的结果测试，而是以某种支持富文本的查看器。TXT 查看器（例如 Windows 上的记事本）通常不支持上标/下标字符，因此即使 OCR 为您提供正确的字符，您的查看器也可以将其转换为显示它。如果您以编程方式访问文本结果，这不是问题，因为您应该在直接访问它时获得正确的下标字符值。请注意，观众必须支持它才能真正看到它。如果您消除了这种可能的后处理转换并确保没有从 OCR 返回下标，那么它可能不支持它。

就像在这个文本框中一样，在您最初的问题中，您试图给我们一个上标字符示例，但是即使您可以从其他地方复制/粘贴它，这个文本框也不接受它。

许多 OCR 会将下标视为任何其他普通字符，如果他们能看到的话。您使用的 OCR 需要具有实际生成上标/下标的技术能力，其中许多都可以，但它们往往是商业 OCR 系统也就不足为奇了。

在回复这封信之前，我做了一个小测试用例。我为我的测试生成了一个带有一些上标/下标示例的图像（当然 EMC2 是我想到的第一个示例 :)。
你可以在这里找到我的测试图像： www.ocr-it.com/documents/superscript_subscript_test_page.tif

并通过OCR-IT OCR Cloud 2.0 API使用所有默认设置处理此图像，但导出为富文本格式，例如 MS Word .DOC。

你可以在这里找到我的测试图像： www.ocr-it.com/documents/superscript_subscript_test_page_result.doc

另请注意：当您有兴趣提取上标/下标字符时，请单独注意图像质量，而不是典型文本。这些字符很小，您需要足够的细节和分辨率来实现下降 OCR 质量。由于像素太少，即使以 300 dpi 扫描图像有时也会出现小字符问题。如果您正在考虑移动和数码相机，那将变得更加重要。

披露：我的专长是为不同规模的公司实施内部 OCR 解决方案。我的公司是WiseTREND。如果我可以进一步提供帮助，请直接与我联系。