我正在使用 Tesseract 将手机摄像头拍摄的印刷文本文档转换为文本。结果并不理想。图像质量非常好，比传真清晰得多，但似乎很难识别字符。
我也尝试过在文本编辑器中模仿其中一个文档，截取窗口的屏幕截图，然后通过 Tesseract 运行它，结果只是稍微好一些。
这让我相信 Tesseract 可能存在一种最佳字体。我在 Google 上搜索了一下，发现了 OCR-A，但它显然需要许可证。然后我在 SourceFourge 上偶然发现了一种免费的 OCR-A 替代品，但它似乎并不比 Arial 或 Courier New 好多少。
是否有一种字体最适合 Tesseract，或者我是否需要做其他事情来提高字符识别的准确性？
答案1
我做了一个实验来回答这个问题。
- 从基本 64 个字符集（基本上所有字母大写和小写 + 数字）中生成一个包含随机 6000 个字符的文档。
- 对于我的系统（Linux 系统）上的每种字体，生成一张具有相同内容的图像
- 将其交给 Tesseract
- 测量错误率/准确率
以下是 Tesseract v4.1.1 的结果，我给出了表现最佳的字体：
- 米特拉
- TeX_Gyre_Bonum
- 似曾相识_衬线
- 机器人
- 坎塔雷尔
另请参阅此总结：https://www.monperrus.net/martin/perfect-ocr-digital-data
答案2
我经常使用 tesseract-ocr，根据我的经验，只有两个因素可以提高其性能：源图像为 tiff 格式，以及图像中文本的物理大小。因此，我针对图像以及调整大小为 200%、400% 和 800% 的图像运行它。对于生成的每个文本，我都会计算标记为拼写错误的单词数量并进行相应选择。
字体肯定会影响 tesseract 的性能，但我认为它与您的情况无关，您是否只能使用用于制作您拍摄的文本文档的字体？
答案3
最好的选择是针对您所使用的字体对其进行训练。
我不想假装这是一个简单的过程，事实并非如此，但它应该会更好。而且大多数 OCR 程序都支持 300dpi 或 600dpi，因此可能需要升级。
Tesseract Github Wiki 上有一些很好的资源训练 Tesseract。