OCR糾錯算法

我正在將掃描文檔的大量集合數字化，並使用Tesseract 3作爲我的OCR引擎。它的輸出質量平庸，因爲它經常在實際文本之前和之後產生垃圾字符，並在文本中產生拼寫錯誤。OCR糾錯算法

對於前面的問題，似乎必須有策略來確定哪些文本實際上是文本，哪些文本不是（大部分文本是人的名字，所以我尋找的解決方案除了看詞典中的單詞）。

對於錯字的問題，大部分錯誤從字母幾個錯誤分類幹（代l，1，並且I對彼此，例如），而且好像應該有方法來猜測哪些單詞拼寫錯誤（因爲英語中沒有太多單詞在它們中間有一個「1」），並且猜測適當的修正是什麼。

這個空間的最佳實踐是什麼？有這樣的事情的算法的免費/開源實現？谷歌已經收到了大量的論文，但沒有多少具體。如果沒有可用的實施方案，那麼許多論文中的哪一個將成爲一個好的起點？

2011-04-13 Andrew Pendleton

我有這樣的問題，沒有任何經驗，但請你分享索姆e你找到的鏈接？他們會做出非常有趣的閱讀。 – 2011-04-14 08:15:09

@coffee這裏有幾個：[非交互式OCR糾正千兆級數字化項目]（http://www.springerlink.com/content/l2724747mt78039l/），[使用學習的OCR錯誤的低成本校正多引擎環境]（http://www.google.com/research/pubs/archive/35525.pdf），[在上下文中自動OCR糾錯的統計方法]（http：//www.ldc.upenn .edu/acl/W/W96/W96-0108.pdf）和[文憑論文：OCR錯誤的無監督後校正]（http://www.l3s.de/~tahmasebi/Diplomarbeit_Niklas.pdf）。 – 2011-04-14 14:23:04

@coffee這些主要處理修正拼寫錯誤，而不是消除輸出中的非文本。 – 2011-04-14 14:23:23

對你有用的東西是嘗試this free online OCR並將結果與你的結果進行比較，以查看是否通過播放圖像（例如向上/向下縮放）來改善結果。

我使用它作爲使用tesseract自己（使用OpenCV修改圖像後）自己得到的結果的「上限」。

來源

2011-05-24 14:03:58

對於「確定哪些文本實際上是文本和哪些文本不是」，您可能需要查看來自開發Tesseract（ISRI）的同一部門的rmgarbage。我寫了一個Perl implementation，還有一個Ruby實現。對於1對l問題，我正在試驗ocrspell（同樣來自同一部門），其中their original source可用。

我只能發佈兩個環節，因此缺少的是：

ocrspell：在dx.doi.org]
rmgarbage進入「10.1007/PL00013558」：搜索「垃圾自動刪除字符串在OCR文字：一種實現」
ruby implementation：搜索‘docsplit textcleaner’

來源

2012-04-24 12:14:37 ZakW

回答

相關問題