Как повысить точность текста OCR от Tesseract?

Question

Я создал базовое приложение для распознавания текста с помощью Tesseract API от Google и интегрировал его с моим приложением для камеры. Он работает нормально, но единственной проблемой является точность, так как иногда текст распознается как случайный набор символов, и я думаю, что точность составляет около 50 процентов.

Кроме того, при попытке сканирования более четырех слов на изображении приложение выходит из строя.

String ocrText = baseApi.getUTF8Text(); 
baseApi.end(); 

где baseApi является объектом класса API Тессеракт.

Нужно ли использовать другую структуру данных для сохранения распознанного текста или есть какая-то другая причина, почему более четырех слов не распознаются?

Answer 1

Класс API Tesseract предоставляет метод isValidWord, чтобы проверить, является ли строка допустимым словом. Вы можете использовать это для проверки распознанных символов. Это повысит точность вывода.

Я разрабатываю с использованием Tess4j. Это Java JNA-обертка для tesseract-ocr, и это дает неплохие результаты после проверки.

Неточные результаты могут быть связаны с размером текста, отметьте this. В нем говорится: «Точность снижается ниже 10pt x 300dpi, быстро ниже 8pt x 300dpi».

Кроме того, не будучи в состоянии обнаружить более 4 слов, зависит от многих факторов, какого рода (с каким количеством функций) тестового изображения, размер изображения, платформы и т.д.