Tesseract 和 tiff 格式 - spp 不在集合 {1,3} 中

Question

尝试运行此命令时：

tesseract bond111.tif bond111 batch.nochop makebox

我收到下一个错误

Error in pixReadFromTiffStream: spp not in set {1,3}
Error in pixReadStreamTiff: pix not read
Error in pixReadTiff: pix not read

假设 spp not in set 是这里的主要错误，这是什么意思？ 起初它遇到了麻烦，因为 bpp 高于 24，所以我使用 Gimp 减少了它，但这并没有解决问题。

Answer 1

这可能意味着您的 TIFF 图像具有 Alpha 通道，因此 Tesseract 使用的底层 Leptonica 库不支持它。如果您使用的是 Imagemagick，请注意 -draw 等操作可能会导致添加 Alpha 通道。如果您在工作流程中使用 convert 并希望立即再次删除通道，请在写入之前通过在输出文件名前添加 -background White -flatten +matte 来展平图像，例如：

convert input.tiff -fill white -draw 'rectangle 10,10 20,20' -background white -flatten +matte output.tiff

Tesseract（好吧，Leptonica）现在接受 PNG 并且对它们不太挑剔，因此无论如何将您的工作流程迁移到 PNG 可能会更容易。

来源：magick-users 邮件列表发布； tesseract-ocr 邮件列表发布

Answer 2

感谢您的帖子 ZakW，您为我指明了正确的方向。
不管怎样，我还需要设置“-深度8”。无论我尝试什么，质量对于 OCR 来说都不够好。

对我有用的是这个解决方案：

ghostscript -o document.tiff -sDEVICE=tiffgray -r720x720 -g6120x7920 -sCompression=lzw document.pdf
tesseract document.tiff document -l deu
vim document.txt

这样我就得到了带有德语变音符号的完美文本。

Answer 3

将转换调整为以下行确实对我有帮助。

convert -density 300 input.pdf -depth 8 -background white -alpha Off output.tiff

请注意，其他答案对我不起作用，因为它们使用已弃用的 +matte 标志而不是 -alpha Off。

Answer 4

您可以尝试使用 libtiff_tools 提供的命令“tiffinfo”来验证 src 图像的 TIFF 格式。存在多种 TIFF 格式，每像素位数 (bpp) 和每像素采样数 (spp) 具有不同的值。

pixReadFromTiffStream 中出现错误：spp 不在集合 {1,3,4} 中

“spp”值 2 对于 TIFF 无效。

我通过从 Gimp 直接保存为 TIFF 格式解决了这个问题，而不是使用 ImageMagick 的“转换”从 .png 转换为 .tif。

另请参阅：TIFF 格式