Tesseract OCR 性能提升

http://www.cnblogs.com/physoft/archive/2011/07/19/2110513.html

前面提到了如何使用Tesseract OCR 從復雜圖像中提取文字，關鍵在於將圖像分割，局部二值化後傳給Tesseract識別，如從下圖中提取每個物品的數量：

方法是先使用幾何特征和顏色特征將物品分割為小的局域，再將每個區域二值化。這樣，每個局域就對應一個子圖，傳給Tesseract。但是Tesseract識別一個圖像速度還行，如果識別10個，20個，速度就很慢了。識別一個如上圖( 400*600)的圖像需要 10秒以上！！！這顯然是太慢了。其實Tesseract 識別速度和子圖的數目成正比，和圖像的大小倒是沒什麼關系，也就是識別100*100的圖和識別1024*1024的圖，時間差不多太多。 所以，提升Tesseract 識別復雜圖像速度的關鍵就在於把二值化的子圖，重新拼回成一張圖！ 拼接的方法取決於識別目標的幾何特征。 當然，拼接後，速度是極大提升了，但是後續output的繼續也就會更加復雜。