tesseractocrengine中文文档解析.docxVIP

TesseractOCR（光学字符识别）引擎概述一：TesseractOCR简介Tesseract是惠普布里斯托实验室在1985到1995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/tesseract-ocr二：TsseractOCR 架构Tesseract的识别步骤大致如下：1. 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-height），识别小写字母（small-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 analysis）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：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?)获得strip区域6.Boxa * tesseract::TessBaseAPI::GetTextlines(Pixa **?pixa,int **?blockids?)获得文本行7. Boxa * tesseract::TessBaseAPI::GetWords(Pixa **?pixa)以Boxa格式获取文字。8.Boxa*tesseract::TessBaseAPI::GetComponentImages(PageIteratorLevel?level,bool?text_only,Pixa **?pixa,int **?blockids?)获得指定级别的元素（block，textline, word）9.voidtesseract::TessBaseAPI::DeleteBlockList(BLOCK_LIST *?block_list)删除Block四：单词的识别（word recognition）a. 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）inttesseract::TessBaseAPI::Recognize(ETEXT_DESC?*?monitor)识别?来自SetAndThreshol