转:关于使用ImageMagick和Tesseract进行简单数字图像识别

时间:2024-03-09 21:58:39

据说Tesseract可是世界排名第三的OCR神器,2010年又更新了3.0版本。Tesseract原先是HP写的,现在Open Source了。

 

下面介绍怎么用Tesseract配合ImageMagick进行简单的数字图像识别。

 

首先Tesseract只能识别bmp,tif,所以先拿ImageMagick转换一下图像。注意得无压缩转换,否则Tesseract报错。

convert -compress none ./pict.gif./in1.tif

然后将图片灰度化-colorspace Gray,或者直接二值化-monochrome成黑白,这样识别率会高一点。

接下来裁剪出想要进行精确识别的部分:-crop widthxheight+x+y

比如-crop 320x40+0+1,从左上角开始坐标为(0,1)处,裁剪出320*40大小的图像。注意参数里是英文字母x,不是乘号*。

 

还有就是网上搜到的-depth 8和-alpha off参数,实践表明加不加效果不大。

一步完成就像这样:

convert -compress none-depth 8 -alpha off -crop 535x24+2+2 -monochrome ./pict.gif ./in1.tif

 

预处理完之后最好再放大一下,这次的样例放大到500%~600%的识别效率就能令人满意。

convert ./in1.tif -scale600% ./in2.tif

 

然后就可以开始用Tesseract进行识别了。

tesseract ./in2.tif ./1-l eng -psm 7

 

-l eng是选择语言,-psm 7是说源图像是只在一行上的文字。具体说明看Tesseract的帮助。

 

下面就是一些实例。

原图如下:


下面是二值化之后的效果,可以看见还是有些噪点的。


下面是灰度化之后的效果。


识别之后的结果是:

05093519038515450004738373775251263J91648J94318529731857

可以看到有些误报,针对这个问题又特殊处理一下误报字符,结果识别率在90%左右



参考资料:

ImageMagick: http://www.imagemagick.org

Tesseract: http://code.google.com/p/tesseract-ocr