之前的OCRus开发工作告一段落,后端OCR识别利用开源OCR引擎Tesseract。对于论文类型的文档,字体标准,大小一致,识别率很高,根据UNLV的测试结果,Tesseract的准确率都在90%以上,但对OCRus面向的手机照片,识别准确率并不高,对一些图片基本不可用。虽然OCRus做了一些图片预处理的工作,希望在将图片送入Tesseract之前能够使图片更清晰,更利于识别,但对识别结果不好的图片,经过预处理步骤对准确率提升并不大。最近一直在看Tesseract源代码,希望从Tesseract源码入手,利用Ceiling Analysis的方法确定Tesseract识别的主要瓶颈,未来有针对性地改进Tesseract。
目录
源码分析环境部署
Tesseract 3.02 提供了Visual Studio 2008的工程项目,部署过程如下:
Tesseract 同时提供了一个Java UI来显示中间结果,部署过程如下:
- ViewerDebugging
注意: Introduction里的piccolo
版本说明有Bug,ScrollView
源码里用的是1.2,用新版本piccolo
无法运行,Github上的Tesseract项目已经修复此Bug。
程序入口点在api/tesseractmain.cpp
中:
int main(int argc, char **argv) {
...
}
Tesseract设置了很多变量来控制中间结果是否输出,在以下代码:
if (!api.ProcessPages(image, NULL, 0, &text_out)) {
fprintf(stderr, _("Error during processing.\n"));
}
之前加入下面代码:
api.SetVariable("tessedit_dump_pageseg_images", "true"); //show no lines and no image picture
api.SetVariable("textord_show_blobs", "true"); //show blobs result
api.SetVariable("textord_show_boxes", "true"); //show blobs' bounding boxes
api.SetVariable("textord_tabfind_show_blocks", "true"); //show candidate tab-stops and tab vectors
api.SetVariable("textord_tabfind_show_reject_blobs", "true"); //show rejected blobs
api.SetVariable("textord_tabfind_show_initial_partitions", "true"); //show initial partitions
api.SetVariable("textord_tabfind_show_partitions", "1"); //show final partitions
api.SetVariable("textord_tabfind_show_initialtabs", "true"); //show initial tab-stops
api.SetVariable("textord_tabfind_show_finaltabs", "true"); //show final tab vectors
api.SetVariable("textord_tabfind_show_images", "true"); //show image blobs
使Tesseract输出所有结果。
工程导入VS2008后会有11个项目,设置tesseract
为启动项目并设置命令行参数为
{image_path} {text_base} segdemo inter