web-dev-qa-db-ja.com

Tesseractトレーニング済みデータ

Tessaractを使用して領収書や請求書からデータを抽出しようとしています。tesseract3.02バージョンを使用しています。

英語データのみを使用していますが、出力精度は約60％です。

Tessdataフォルダーで置き換えるだけのトレーニング済みのデータはありますか？

tesseract
24
nicky

これは、「典型的なサンプルファイル」として提供されているニックネームの画像です。

typical example file

それを見て、私ははっきりと言います：「それを忘れてください、気の毒です！このタイプの画像からテキストの100％を認識するようにTesseractをトレーニングすることはできません！」

ただし、あなたはより良い写真を作るために自分を訓練することができますあなたのiPhone 3GS（これは、例の画像に使用されたデバイスです）このようなタイプのレシートから。ここにいくつかのヒントがあります：

  • 暗い背景は使用しないでください。代わりに白を使用してください。
  • レシート用紙が崩れないようにしてください。それをまっすぐにします。
  • レシートを凹凸のある地下にゆるく置かないでください。平らな面に固定します：
    • それを白い紙の上に置き、その上にガラスプラテンを置きます。
    • または、接着剤を使用して、端や角が曲がっていない白い紙に平らに接着します。
  • （例の画像のように）640x480ピクセルのような低解像度を使用しないでください。代わりに、1280x960ピクセルなどの高解像度のものを使用してください。
  • 標準露出を使用しないでください。非常に高いコントラストを使用するようにカメラを設定します。あなたは文字を黒にして、白の背景を本当に白にしたいのです（写真の灰色は必要ありません...）
  • 10〜12 ptフォントの文字の高さが約24〜30ピクセルを使用するようにしてください（つまり、100％ズームの場合、画像は約300 dpiになります）。

つまり、次のImageMagickコマンドのようなものは、おそらくTesseractの認識率をある程度上げるでしょう。

convert                               \
   http://i.stack.imgur.com/q3Ad4.jpg \
  -colorspace gray                    \
  -rotate 90                          \
  -crop 260x540+110+75 +repage        \
  -scale 166%                         \
  -normalize                          \
  -colors 32                          \
   out1 .png

次の出力が生成されます。

ImageMagick optimization for OCR

これを取得するには、上記のコマンドに-threshold 30%最後のコマンドラインオプションとしてのようなものを追加することもできます。

enter image description here

（30%の値をいくつか変更して、結果を微調整する必要があります。これを行う時間はありません。）

29
Kurt Pfeifle

Tesseractでは、レシートから正確な情報を取得することは不可能ではありません。 Tesseractに加えて、画像フィルターと、OpenCV、NumPy ImageMagickなどの他のツールを追加する必要があります。 PyCon 2013でフランクチャスタニョルによるプレゼンテーションがあり、彼の会社がどのようにそれを行ったかを説明しました。

ここにリンクがあります： http://pyvideo.org/video/1702/building-an-image-processing-pipeline-with-python

12
giftedwarrior

Tesseractを使用してテキストをOCRする前に、よりクリーンな後処理画像を取得できます。他の単純なしきい値処理方法ではなく、背景表面しきい値処理（BST）技術を使用してみてください。この件に関するホワイトペーパー here を見つけることができます。

OpenCV向けのBSTの実装があり、かなりうまく動作します https://stackoverflow.com/a/22127181/3475075

3
Donovan

私はまったく同じものが必要で、出力を改善するためにいくつかの画像最適化を試しました

ここでテッサラクトの実験を見つけることができます

https://github.com/aryansbtloe/ExperimentWithTesseract

0
Alok Singh