OCR字識別邏輯

下面是使用TessNet2（OCR框架）掃描TessNet2中內置的OCR功能捕獲的單詞列表的功能。由於我以低於完美質量掃描的頁面檢測到的單詞不是100％準確的。OCR字識別邏輯

所以有時會混淆'S'和'5'或'l''1'。另外，它不考慮大小寫。所以我必須尋找這兩種情況。

它的工作方式是我在紙上搜索某些彼此接近的單詞。所以第一組單詞[I]是「抽象服務訂購」。如果頁面包含相鄰的這些單詞，則會移至下一組單詞[j]，然後是下一個[h]。如果頁面包含全部3組單詞，則它返回true。

這是我想過的最好的方法，但我希望這裏有人能給我另一種嘗試的方式。

public Boolean isPageABSTRACTING(List<tessnet2.Word> wordList) 
    { 

     for (int i = 0; i < wordList.Count; i++) //scan through words 
     { 
      if ((wordList[i].Text == "Abstracting" || wordList[i].Text == "abstracting" || wordList[i].Text == "abstractmg" || wordList[i].Text == "Abstractmg" && wordList[i].Confidence >= 50) && (wordList[i + 1].Text == "Service" || wordList[i + 1].Text == "service" || wordList[i + 1].Text == "5ervice" && wordList[i + 1].Confidence >= 50) && (wordList[i + 2].Text == "Ordered" || wordList[i + 2].Text == "ordered" && wordList[i + 2].Confidence >= 50)) //find 1st tier check 
      { 
       for (int j = 0; j < wordList.Count; j++) //scan through words again 
       { 
        if ((wordList[j].Text == "Due" || wordList[j].Text == "Oue" && wordList[j].Confidence >= 50) && (wordList[j + 1].Text == "Date" || wordList[j + 1].Text == "Oate" && wordList[j + 1].Confidence >= 50) && (wordList[j + 2].Text == "&" && wordList[j + 2].Confidence >= 50)) //find 2nd tier check 
        { 
         for (int h = 0; h < wordList.Count; h++) //scan through words again 
         { 
          if ((wordList[h].Text == "Additional" || wordList[h].Text == "additional" && wordList[h].Confidence >= 50) && (wordList[h + 1].Text == "comments" || wordList[h + 1].Text == "Comments" && wordList[h + 1].Confidence >= 50) && (wordList[h + 2].Text == "about" || wordList[h + 2].Text == "About" && wordList[h + 2].Confidence >= 50) && (wordList[h + 3].Text == "this" || wordList[h + 3].Text == "This" && wordList[h + 3].Confidence >= 50)) //find 3rd tier check 
          { 
           return true; 
          } 
         } 
        } 
       } 
      } 
     } 

     return false; 
    }

來源

2013-07-11 MaylorTaylor

首先沒有必要的冗餘嵌套循環，每個內環不依賴於從外環任何東西，所以沒有必要爲巨大的性能損失從N個循環上的字^ 3倍（而不是3N）。其次，我認爲肯定有更優雅的方法（如使用單詞詞典並計算詞典中不包含的單詞的最佳匹配，或其他更動態的方法），但它們會涉及更復雜的算法。一個簡單的方法來等效可以使用正則表達式來完成：

// combine all the words into 1 string separated by a space 
// where the confidence is high enough 
// use a word that the regex's won't match for words where the confidence 
// isn't high enough 
var text = wordList.Select(w => w.Confidence >= 50 ? w.Text : "DONTMATCH") 
      .Aggregate((x,y) => x + " " + y); 

// now run the text through regular expressions 
// to match each criteria allowing for case insensitivity 
// and known misidentifications 
if (!Regex.IsMatch(text, @"abstract(in|m)g\s+(s|5)ervice\s+ordered", RegexOptions.IgnoreCase)) 
    return false; 

if (!Regex.IsMatch(text, @"(d|o)ue\s+(d|o)ate\s+&", RegexOptions.IgnoreCase)) 
    return false; 

if (!Regex.IsMatch(text, @"additional\s+comments\s+about\s+this", RegexOptions.IgnoreCase)) 
    return false; 
return true;

因爲你的算法是隻在少數特定的詞組感興趣，你不希望它匹配時，一個詞的信心太低，我們可以很容易地將所有單詞合併爲一個由空格分隔的長字符串（爲了方便起見）。然後，我們構造正則表達式來迎合已知替代方案中的三個感興趣的短語，並且只針對正則表達式測試連接的字符串。

這顯然只會迎合這種非常特殊的情況下，壽...

來源

2013-07-11 16:17:00

你介意解釋一下代碼。當我運行這個時，'文本'變成OCR結果中所有文本的字符串，但有幾個單詞有「DONTMATCH」。我假設這是因爲信心不是大於50. – MaylorTaylor

試圖添加更多的解釋在... –

您可以嘗試使用一些詞彙，並找到最接近的一個詞來通過編輯距離的認可。

來源

2013-07-11 16:20:37 SkyterX

OCR字識別邏輯

回答

相關問題