向Tesseract OCR引擎添加Blackletter字體支持

Question

我正在努力讓林肯字體在Tesseract中工作，即使經歷了wildly complicated training process之後，我也得到了糟糕的結果。

這是字體的樣子，所以是的，這是一個有點棘手：

我精心製作訓練圖像，然後用，爲了使文件箱。 The training image is here (25MB!)。圖像是300 DPI，並有垂直和水平很好的代表性字符。

我爲訓練圖像製作了一個盒子文件，它工作正常。我已使用a box file editor驗證它是正確的。

我把這個盒子文件/ tif文件，並用它來創建訓練數據。我也採用了Tesseract提供的30 or so other sample images/fonts。

我創建了unicharset文件。

我創建了一個font_properties文件。在網站上沒有關於何時應該使用fraktur的指導。所以，我已經試過了兩個這樣（fraktur對林肯）：

eng.lincoln.box 0 0 0 0 1 

而且這種方式（fraktur關閉）：

eng.lincoln.box 0 0 0 0 0 

最後，我有和沒有字典試過這種文件。當我使用字典文件時，它們是我的搜索引擎Sphinx的wordmap，它們有大約15K個常用字和大約20K個不常用字。

在所有情況下，當我嘗試OCR第一對夫婦this file (3MB)時，質量很差。而不思：

United States Court of Appeals 
for the Federal Circuit 

我得到：

OniteiJ %tates C0urt of QppeaIs 
for the jfeI1eraICircuit 

爲什麼？

Answer 1

我認爲你需要更多的樣本（字母）和更好的訓練圖像（乾淨的背景，灰度，300 DPI等）。首先嚐試僅使用一種字體（例如，林肯）進行訓練。您可以使用jTessBoxEditor工具來生成訓練圖像並編輯盒子文件。

一旦您掌握了培訓流程，您可以將其他字體添加到您的培訓中。您可以通過在訓練圖像本身上執行OCR來測試生成的語言數據的成功 - 識別率應該很高。

在font_properties字體名稱應該是這樣的：

林肯0 0 0 0 1

Answer 2

我不是Tesseract專家，但我已經評估幾乎所有可用的OCR引擎，我的評論是基於多年來分析OCR錯誤的經驗。

只是想知道爲什麼你的圖像在背景中有斑點而不是純白色背景。我不知道Tesseract或培訓工具如何工作，但背景可能會導致一些問題。

只是閱讀樣本頁面很困難，需要大量的注意力。像F和I這樣的字符與U和N非常相似。與許多OCR引擎一樣，Tesseract將使用許多不同的技術來識別字符，並且在筆劃和曲線方面，許多這些字符之間沒有太大的區別在字體中使用。

這些字符，尤其是大寫字符會混淆許多不同的匹配算法，僅僅因爲它們與標準拉丁/羅馬字符類型非常不同。這顯示了你的結果即通過。所有大寫字母都有OCR錯誤。