如何給Tesseract一個單詞列表（.NET封裝）

Question

TLDR;版本：

有沒有人有使用.NET包裝，我可以看到Tasseract工作的'bazaar'配置？

我敢肯定，這就是我想要的東西（只承認從列表中某些字），但它似乎並沒有做任何事情

---

我有可能的字符串我的一個很短名單試圖找到（1-4個字）。爲正方體的文檔指出：

如果您要更換整個字典，你將需要解壓 的.traineddata文件，創建一個新詞 - 耶文件，然後打包 文件恢復成。訓練數據文件。有關更多 的詳細信息，請參閱TrainingTesseract。

這聽起來就像我想要的！所以，我看TrainingTesseract看到：

的traineddata文件僅僅是輸入文件的串聯， 與包含已知文件類型 的偏移表的內容。請參閱源代碼中的ccutil/tessdatamanager.h以獲取當前接受的文件名列表 。

太好了。那麼我該如何解開這個簡單的輸入文件連接，修改內容和標題並重新打包呢？ :)

This post似乎是同樣的問題 - 涉及單純地關閉了默認的字典和使用用戶的詞代替：

讓我們假設你想OCR英文，但抑制正常 詞典並加載替代詞列表和備選列表 的模式 - 這兩個文件是最常用的額外數據 文件。

如果你的語言包是/path/to/eng.traineddata和HOCR 配置在/路徑/到/ CONFIGS/HOCR然後創建三個新的文件：

/路徑/要/工程。用戶的話：-snip

/path/to/eng.user-patterns：-snip

/路徑/到/ CONFIGS /集市：-snip

現在，如果你通過 字bazaar作爲Tesseract的尾隨命令行參數， Tesseract不會打擾加載系統詞典，也不會加載和使用您提供的eng.user-words文件 和eng.user-patterns文件。前者是一個簡單的詞 列表，每行一個。後者的格式記錄在read_pattern_list（）的 dict/trie.h中。

但是這樣做完全沒有區別！

我創建與發動機：

using (engine = new TesseractEngine(@"C:\src\x\tessdata", "eng", EngineMode.Default, @"C:\src\x\tessdata\engine.config")) 

已經做出了（UTF-8，Unix行結尾）文件engine.config：

load_system_dawg  F 
load_freq_dawg  F 
user_words_suffix user-words 
user_patterns_suffix user-patterns 

而創建eng.user圖案和eng.user-words（UTF-8，Unix行結尾）文件在eng.traineddata旁邊。

Answer 1

你知道了嗎？

看起來這裏是爲了提高其發現字典中的單詞的首道：

https://github.com/tesseract-ocr/tesseract/wiki/FAQ#how-to-increase-the-trust-instrength-of-the-dictionary

如何增加在字典中的/力量的信任？

對於的tesseract-OCR < 3.01嘗試在字典/ permute.cpp正在增加NON_WERD和GARBAGE_STRING到也許3或甚至5

對於的tesseract-OCR> = 3.01嘗試增加變量language_model_penalty_non_freq_dict_word和language_model_penalty_non_dict_word在配置文件。默認情況下，它們分別是0.1和0.15。