Comment donner les meilleures chances de succès à un logiciel OCR?

Question

J'utilise Tesseract OCR (via pytesser) et PIL (Python Image Library) pour le test automatique d'une application.

Je vérifie que le texte affiché est correct en faisant une capture d'écran et en obtenant le texte grâce à tesseract.

J'ai eu quelques problèmes au début et cela semble fonctionner mieux puisque j'ai augmenté la taille de la capture d'écran grâce à l'interpolation bicubique de PIL.

Malheureusement, j'ai encore quelques erreurs comme la confusion entre '0' et 'O'. Je peux imaginer que j'aurai d'autres problèmes similaires à l'avenir.

Je voudrais savoir s'il existe des techniques pour préparer une image afin d'aider l'OCR. Toute idée est la bienvenue.

Merci à l'avance

Answer 1

Shameless plug et disclaimer: my company paquets Tesseract pour une utilisation dans .NET

Tesseract est un moteur OCR OK. Il peut beaucoup manquer et devient facilement confus par le non-texte. La meilleure chose que vous pouvez faire pour cela est de vous assurer qu'il ne contient que du texte. La meilleure chose à faire est de lui donner quelque chose de bien binarisé (seuil adaptatif ou dynamique pour y arriver) ou de niveaux de gris et de le laisser essayer de faire une binarisation.

Answer 2

Pour distinguer entre 0 et O, une solution simple est de choisir une police qui établit une distinction entre les deux (par exemple: 0 a un tiret ou point dans son milieu). Cela serait-il acceptable dans votre demande? Une autre solution consiste à appliquer une étape basée sur un dictionnaire après l'analyse caractère par caractère du texte - en alimentant le texte reconnu en une sorte de vérificateur d'orthographe ou de validateur pour différencier les caractères difficiles. Par exemple, un symbole rond suivi d'autres nombres est plus susceptible d'être un zéro, tandis que le même symbole suivi de lettres est le plus susceptible d'être un o majuscule. C'est un exemple trivial, mais il montre comment le contexte est nécessaire pour rendre un système OCR plus fiable.

Answer 3

Même dans les meilleures conditions, les variantes OCR se faufileront sur vous. Votre meilleure option sera de concevoir vos tests pour être au courant d'eux.

Answer 4

1. train Tesseract de reconnaître votre police
2. Faire l'image supplémentaire propre et avec assez d'espace libre autour des caractères
3. Profit :)

Voici quelques exemples du monde réel.

• Première image est l'image originale (numéros croped wattmètre)
• seconde image est légèrement nettoyé image dans GIMP, environ 50% de précision de l'OCR Tesseract
• troisième image est l'image complètement nettoyée - 100% OCR reconnu sans aucune formation!