如何训练 tesseract 忽略拼写和语法错误检测添加的波浪线？

Question

我正在使用 tesseract 检测各种图像类型中的文本，包括屏幕截图，但它被表示拼写和语法警告的波浪形红色和蓝色下划线搞糊涂了，如下例所示。最终我得到的要么是没有文本，要么是乱码。

我研究过在 imagemagick 预处理中消除这些线条的方法，并取得了一些成功，但这些方法会抹去任何红色或蓝色的文本，这是不理想的 - 而且它们需要很长时间才能运行，而我每天需要处理超过 10 万张图像。我在想也许有一种方法可以训练 tesseract 识别和丢弃这些线条，但我不确定它如何工作。

我看过关于如何训练 tesseract 识别文本的教程，但我还没有看到任何关于如何训练识别非文本内容的教程。有没有办法训练 tesseract，或者利用它使用的 Leptonica 设置来忽略这些行？

如果有人成功解决了这个问题，请告诉我，否则推荐的方法是什么？

Answer 1

我目前正在尝试学习如何教授 tesseract（我不知道如何创建 lstm 文件进行训练），但我知道你可以对训练过的数据进行微调。我使用jTessBoxEditor为了纠正 tesseract 在 OCR 过程中所犯的错误，我还没有找到以训练的形式实现更改的方法，但我认为该工具正是您所需要的。

使用 jTessBoxEditor，您可以看到图片上的 OCR 是如何完成的，也可以对其进行编辑，但我仍然不知道如何实施训练（仍在等待论坛和这里的回复），所以我无法提供更多帮助，因为我只能做到这些，而且我也不指望有人能回答您的问题，因为这个问题已经存在 2 年了，所以您的设置可能已经过时了。我正在尝试使用 tesseract-ocr 4.*，新版本的教学发生了很大变化，但工具也在不断发展，因此您的问题可以通过 jTessBoxEditor 解决，但我不知道如何实施，所以这不是真正的答案，而只是部分答案。

我希望我能帮到你，哪怕只是一点点。