tesseract技术积累

安装tesseract 5(安装4.1或5的原因在于，4.1开始支持LSTM模型下的user-patterns)

安装必要依赖库，git clone最新代码 cd tesseract ./autogen.sh ./configure make sudo make install sudo ldconfig make training sudo make training-instal

 

 

如何训练：https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract-4.00

 

user-patterns

参考：https://github.com/tesseract-ocr/tesseract/blob/master/doc/tesseract.1.asc#config-files-and-augmenting-with-user-data

目前不起作用，在4.1和5.0均无法按我们的要求输出

在/usr/local/share/tessdata添加TMH_eng.user-patterns

内容为：

\A\A\A\d\d\d\d\d\d\d\d\d\n-\d

A代表大写字母，d代表数字，n代表字母+数字

 

在/usr/local/share/tessdata/configs中，添加bazaar文件，内容为：

load_system_dawg F
load_freq_dawg F
user_patterns_suffix user-patterns

 

当tesseract进行ocr识别并使用bazaar配置时，user-patterns具有一定的修正作用

 

 

psm的选择

目前对psm进行了所有值测试，只有psm=6时，输出的ocr结果最符合我们要求。

 

rescale图像

将图像rescale（2，2.5，3倍），让每行文字的像素点达到30左右。

 

# 采用PIL库rescale image = Image.open(x) new_size = tuple((int(SCALE_RATIO*x) for x in image.size)) new_image = image.resize(new_size, Image.ANTIALIAS) new_image.save(new_folder / (new_name+".tif"))

 

识别率提升有限。

 

no rescale时，识别率为39%

当为3倍时，识别率为41%

 

计算更快

设置OMP_THREAD_LIMIT，提升并行处理能力

目前测试无效

 

医院采集的错误图像能否有助于训练自己

TODO：

需要标注图像，费人工。

 

融合模型

支持多模型，排在前面的模型权重高。

使用如：-l TMH_eng+eng

计算时间和模型数量成正比

 

生成fast模型

模型分为best和fast两种， best为double精度，fast为integer精度

如果已经有best模型，可以使用combine_tessdata -c xx_best.traineddata，即可将xx_best.traineddata改为fast模型（记得先备份再操作，因为是直接替换）。