XX医院的2行文字的OCR识别改进

方案

通过图像改进，提升识别率 

参考https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality

下图来自https://groups.google.com/forum/#!msg/tesseract-ocr/Wdh_JJwnw94/24JHDYQbBQAJ

可以看到，每个字母的高度，如果在30多个像素时，具有最佳识别率。

TMH的截屏图像，总高度为24个像素。

当为单行文字时，文字高度为低于24个像素

当为双行文字时，每行文字高度低于12个像素，根据上图的数据（仅供参考），识别率低。

因此，需要 提高截屏图像的分辨率，让2行文字的识别率提升。

 

如果输入图像无法改变，尝试rescale后处理方案。

将2行文字的ocr截图rescale 2倍和3倍，则每行文字高度的像素值变为24*2/2 = 24和24*3/2 = 36 像素，让其处于最低错误率区间。

实践表明，采用eng(best)模型和TMH_eng模型，OCR识别均有改进。但局部改进不足以产生整体的正确识别。

需要做后期定制化修正（定制化）。

 

将2行文字图片智能裁剪为1行文字，再进行识别

雁雯采用横向投影法，可以将2行文字的图像裁剪为1行文字。

人眼查看裁剪过的图像，效果很好。

但是裁剪过的图像，进入tesseract识别时，却会有很低的识别率，tesseract提示图像dpi为0的告警（待分析）。

初步怀疑：

1. 处理图像过程中改进，首先避免dpi为0的告警
2. 输入的图像本身分辨率低导致

 

针对性的fine tune模型

在2行文字的ocr识别中，0经常被误判为O。

尝试在只会出现0的地方，加入字母O的训练，强化模型对错题的学习，让模型强化知道什么是对的，什么是错的 （TODO）