-
TesseractOCR
（光学字符识别）引擎概述
< br>
一：
TesseractOCR
简介
Tesseract
是惠普布
里斯托实验室在
1985
到
1995<
/p>
年间开发的一个开源的
OCR
引擎，
曾经在
1995 UNLV
精确度测试中名
列前茅。但
1996
年后基本停止了开发。
2005
年，惠普
将其对外开源，
2006
由
Google
对
Tesseract
进行改进、消除
Bug
、优化工作。项目地址
为：
/p/tesse
ract-ocr
二：
TsseractOCR
架构
Tesseract
的识别步骤大致如下：
1.
< br>连通区域分析
,
检测出字符区域区域
（轮廓外形）
,
以及子轮廓。在此阶段轮廓线集成
为块区域。
2.
由
字符轮廓和块区域得出文本行，以及通过空格识别出单词。固定字宽文本通过字
符单元分
割出单个字符，而对百分号的文本（
Proportional text
）通过一定的间隔和模糊间
隔就（
fuzzy
spaces
）来分割；
3.
依次对每个单词进行分析，采用自适应分类器，分类器有学习能力，先分析的且满
足条件的单词也作为训练样本，所以后面的字符（比如页尾）识别更准确；此时，页首的字
符识别比较不准确，所以
tesseract
会
再次对识别不太好的字符识别是其精度得到提高。
4.
最后，识别含糊不清的空格，及用其他方法，如由笔画高度（
x-he
ight
），识别小写
字母（
smal
l-cap
）的文本。
三：文本行和单词的查找（
Line and Word
Finding
）
a.
假设页面布局分析（
page layout analysi
s
）大致确定了文本区域和文本尺寸，一个
简单百分位高度过滤
器（
percentile height filter
）可
以将跨行大写字母及纵向粘连一起的字
符过滤掉，
利用字符的高
度信息，
选取所有字符的中值高度，
通过高度的比例调节去掉一
些
无关的块，比如标点符号，变音符和噪声等；
b.
对块区域的
x
< br>坐标排序，利用坐标拟合直线（
baseline
），拟
合方法：中位数最小
方差拟合（
least median
of squares fit
）
c.
进一步，拟合文本行的形状，利用四次多项式，将文本行
看成螺线形，采用最小二
乘法拟合
d.
检测出等距文本
(fixed
pitch
text)
，对粘连的文本进行分割
(chopping)
e.
对非等距字体如百分号，斜体等问题，利用中线、基准线
之间的空白大小，来分割
字符
有关函数：
1
．
PageIterator * tesseract::TessBaseAPI::
AnalyseLayout()
页面结构分析
2.
Boxa *
tesseract::TessBaseAPI::GetRegions(Pixa **
pixa)
获取页面结构分析结果
3. Boxa *
tesseract::TessBaseAPI::GetConnectedComponents (
Pixa ** pixa )
连通域分析
4.
void
tesseract::TessBaseAPI::GetBlockTextOrientations (
int **
block_orientation,
bool ** vertical_writing
)
获取每一块（
block
由页面结构分
析获得）中的文字方向。
5.
Boxa *
tesseract::TessBaseAPI::GetStrips ( Pixa ** pixa,
int **
blockids
)
6.
Boxa *
tesseract::TessBaseAPI::GetTextlines ( Pixa **
pixa,
int **
blockids
)
7. Boxa *
tesseract::TessBaseAPI::GetWords(Pixa ** pixa)
以
Boxa
格式获取文字。
8.
获得文本行
获得
strip
区域
Boxa*tesseract::TessBaseAPI
::GetComponentImages
(
PageIteratorLevel
level
,
bool
Pixa **
int **
)
获得指定级别的元素（
block
，
textline,
word
）
text_only
,
pixa
,
blockids
9.
voidtesseract::TessBaseAP
I::DeleteBlockList(BLOCK_LIST * block_list)
删除
Block
四：单词的识别（
word
recognition
）
a. <
/p>
分割粘连的字符，将凹进去的轮廓点作为备选分割点，分割后，进行识别，如果都
失败，就认为字符破损不全，修补字符
b.
对破碎的字符，利用
A*
算法搜索最优
的字符组合，直到达到满意的识别结果。（识
别成功的基本是字符分类器可以很好的识别
破碎的字符）
1.
inttesseract::TessBaseAPI::Recognize(ETEXT_DE
SC * monitor)
识别
来自
SetAndThresholdImage
的图像，产生
Tesseract
内部结构数据。
2.
int tesseract::TessBaseAP
I::RecognizeForChopTest(
ETEXT_DESC
* monitor)
识别
来自
SetAndThresholdImage
，<
/p>
Recognize() or TesseractRect().
的图像，测试
chopper.
3.
< br>booltesseract::TessBaseAPI::ProcessPages ( const char *
filename,
const char *
retry_config,
int
timeout_millisec,
-
-
-
-
-
-
-
-
-
上一篇：汽车零件术语
下一篇：汽车零件对照翻译及各功用