限制 tesseract 正在寻找的字符

Question

是否可以限制 tesseract 正在查找的字符集（例如仅搜索字母 az）？这将大大提高我的成绩。

Answer 1

在 tessdata/configs 目录中创建一个配置文件（例如“字母”） - 通常是 /usr/share/tesseract/tessdata/configs
或
/usr/share/tesseract-ocr/tessdata/configs

并将此行添加到配置文件中：

tessedit_char_whitelist abcdefghijklmnopqrstuvwxyz

...或者 [az] 可以工作。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。

Answer 2

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 输入文件输出文件 --oem 0 -c
tessedit_char_whitelist=abc123

更新：在较新的版本 (4.0) 中，Windows 和某些 Linux 安装程序默认安装的 eng.traineddata 文件已损坏。临时解决方案是将 tessdata\eng.traineddata 文件替换为旧版本的文件。该文件应约为 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，上述错误已修复，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

Answer 3

除了配置文件之外，还有 -c 标志：

tesseract stdin stdout -c tessedit_char_whitelist=abcdefghijklmnopqrstuvwxyz -psm 6

更新

确认在版本：

• 4.1.1上工作

Answer 4

只需为在 Android 上使用 tesseract 的任何人添加此即可。在设置语言等的 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执行黑名单。

Answer 5

在 Tesseract 4.00 版本中，这是无法完成的。您只能微调模型或使用正则表达式从预测中删除额外的字符。

Answer 6

我使用的是 Ubuntu 18.04.4 LTS。默认的 tesseract 是版本 4。我不能使用白名单。然后我将其升级到版本 5。然后我使用下面的命令，它起作用了。

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

sample.jpg

Answer 7

我的答案完全源自已接受的答案，并添加到此处是为了使使用 Tesseract NuGet 包的任何 .NET Windows 开发人员受益 - 但是，请注意我的第 2 点，它适用于任何人 /em> 在 Windows 上使用任何类型的 Tesseract

1. 在您的 tessdata 文件夹中创建一个 config 文件夹，其中包含其他训练数据位于。
2. 在 config 文件夹中添加一个 letters 文件。
   
   使用像 TextPad 这样的编辑器可以帮助您将其保存在 UNIX 中
   格式，ANSI 编码（我最初尝试过 UTF-8 / IBM PC 和
   tesseract 在我的测试输出中抛出错误）
3. 就像您的训练文件一样，确保属性面板中的 letters 文件将构建操作设置为 Content 并进一步标记为复制到输出目录：
   
4. 调用你的超立方体引擎类：

 var ocrEng = new TesseractEngine("./tessdata", "eng", EngineMode.Default, "letters");