如何使用Tesseract OCR获得最准确的结果

Question

我正在建立/培训Tesseract，以便从拍摄的照片中识别护照MRZ代码。在将照片/图像发送到Tesseract引擎之前，我正在应用以下图像预处理技术：

• 二值化
• 正常化
• 取样
• 去噪
• 细化（可选）

此外，我已经使用正确的字体（OCR-B）训练了Tesseract引擎，创建了大量的盒子文件（来自35个左右的样本，其中包含从OCR-B字体的文本样本中提取的照片），修复了任何错误。盒子文件，创建训练文件，最后用我的所有样本训练Tesseract引擎并生成训练有素的数据文件。

然而即使在C＃（引擎模式=默认，pagesegmode =自动）中使用我的自定义训练数据的所有这个Tesseract 3.04仍然会犯下如下错误：

• 将字母字符与数字字符混淆（反之亦然），例如S和5，B和8。

现在我的问题是，我能做些什么来使Tesseract产生更准确的结果？我的30个训练样本包括以下照片：

1. 护照
2. 使用OCR-B字体输入的字词

与Tessearct收到的内容相比，输入图像的样本：

Answer 1

使用imagemagick转换程序扩展至480％。还介绍了锐化和美白。带来了显着的改进。我看到比许多购买OCR程序更好的结果。