Tesseract误解了发票中的字母

Question

我正在使用Tesseract 4.0，我正试图OCR一些发票。我的问题是它给某些字母带来了错误的结果，例如，当字母实际为S时，我会得到$或8。

奇怪的是，有些S是正确的猜测，但是有些S或不是，这也适用于其他字母。

我的问题是，我如何训练Tesseract更好地处理这些案件？

另外，如果Tesseract错误地将S.A.中的S误解为因为点数而成为一个数字，我感到很奇怪。

我附上了我遇到问题的image。

谢谢，

珊

Answer 1

你真的不能训练＆＃34;正方体。您可以做的是调整您传递的图片的对比度和/或亮度，以获得更好的效果。 Tesseract还允许您使用-l选项指定文本所使用的语言，尽管我无法真正说明其准确性有所提高，但您的里程可能会有所不同。

Answer 2

您应该做的是应用一些预处理阶段。 由于你的字体非常嘈杂 - 简单的侵蚀和扩张会提供更好的输入图像：

erode(image, image, getStructuringElement(MORPH_RECT, Size(2, 4)));
dilate(image, image, getStructuringElement(MORPH_RECT, Size(4, 4)));

该图片的输出为

  

S.C。 Carpatcement Hording S.A。

顺便提一下，如果您在初始图像上使用OEM_TESSERACT_ONLY（无LSTM），它将为初始图像和预处理图像提供正确的结果。