Tesseract Datos entrenados

Question

Estoy tratando de extraer datos de reciepts y facturas usando Tessaract, estoy usando la versión tesseract 3.02.

Estoy usando solo datos en inglés, pero la precisión de salida es de aproximadamente 60%.

¿Hay datos disponibles entrenados que acabo de reemplazar en la carpeta tessdata

Answer 1

Ésta es la imagen proporcionada Nicky como un "archivo de ejemplo típico":

Mirándolo que había decir claramente: "¡Olvídalo! ¡No puedes entrenar a Tesseract para que reconozca el 100% del texto de este tipo de imagen!"

Sin embargo, que podría entrenarse para tomar mejores fotos con su iPhone 3GS (que es el dispositivo que se utilizó para las imágenes de ejemplo) a partir de este tipo de recibos. Aquí hay algunos consejos:

• No utilice un fondo oscuro. Use blanco en su lugar.
• No deje que el papel del recibo se desmorone. Enderezarlo
• No coloque el recibo de forma suelta en un terreno irregular. Fíjelo en una superficie plana:
  • O colóquelo en una hoja de papel blanco y póngalo sobre él.
  • O use un poco de pegamento y péguelo sobre una hoja blanca de papel sin bordes doblados o esquinas.
• No utilice una resolución baja como solo 640x480 píxeles (como la imagen de ejemplo). Use uno más alto, como 1280x960 píxeles en su lugar.
• No utilice la exposición estándar. Configure la cámara para usar un contraste extremadamente alto. Desea que las letras sean negras y el fondo blanco sea realmente blanco (no necesita los grises en la imagen ...)
• Intente hacerlo de modo que cualquier carácter de una fuente de 10-12 pt use aproximadamente 24-30 píxeles de altura (es decir, hacer que la imagen sea de aproximadamente 300 ppp para un zoom del 100%).

---

Dicho esto, algo así como el siguiente comando ImageMagick probablemente aumentará tasa de reconocimiento de Tesseract por un cierto grado:

convert        \ 
    http://i.stack.imgur.com/q3Ad4.jpg \ 
    -colorspace gray     \ 
    -rotate 90       \ 
    -crop 260x540+110+75 +repage  \ 
    -scale 166%       \ 
    -normalize       \ 
    -colors 32       \ 
    out1 .png 

Se produce el siguiente resultado:

Incluso podría agregar algo como -threshold 30%como la última opción de línea de comandos al comando anterior para conseguir esto:

(que debe jugar un poco con algunas variaciones en el valor 30% para modificar el resultado ...No tengo tiempo para esto.)

Answer 2

No es imposible extraer la información exacta de un recibo con tesseract. Tendrá que agregar filtros de imagen y algunas otras herramientas como OpenCV, NumPy ImageMagick junto con Tesseract. Hubo una presentación en PyCon 2013 por Franck Chastagnol donde describe cómo lo hizo su compañía.

Aquí está el enlace: http://pyvideo.org/video/1702/building-an-image-processing-pipeline-with-python

Answer 3

que necesitaba exactamente lo mismo y yo probamos algunos optimizaciones de imagen para mejorar la salida

se puede encontrar mi experimento con tessaract aquí

https://github.com/aryansbtloe/ExperimentWithTesseract

Answer 4

Puede obtener una imagen postprocesada mucho más limpia antes de usar Tesseract para OCR el texto. Intente utilizar la técnica de Umbral de superficie de fondo (BST) en lugar de otros métodos de umbralización simples. Puede encontrar un libro blanco sobre el tema here.

Existe una implementación de BST para OpenCV que funciona bastante bien https://stackoverflow.com/a/22127181/3475075