OCR学习及tesseract的一些测试

最近接触OCR，先收集一些资料，包括成熟软件、SDK、流行算法。

1. 一个对现有OCR软件及SDK的总结，比较全面，包括支持平台、编程语言、支持字体语言、输出格式、相关链接等

http://en.wikipedia.org/wiki/List_of_optical_character_recognition_software

以此为索引，比较、选择你想要的OCR SDK。

2. 另外一个OCR SDK 网站链接，商用，号称high performance，未深入了解，链接如下：

http://asprise.com/home/

3. 一个大学UCI 给出的handwriting数字的 training及testing数据：

http://archive.ics.uci.edu/ml/datasets/Optical+Recognition+of+Handwritten+Digits

其每个数字近550个样本，出自43个人，30个人的用于training，13个人的用testing。其网站上有详细介绍。

4. 一个哥们对开源的OCR 库的总结：

http://blog.csdn.net/yzm888/article/details/5352423

5. 网上有很多OCR的online service，这里给出一个：

http://www.free-ocr.com/

是以tesseract为OCR引擎。

----------------------------------------------------------------------------------------------------

OCR常用算法：

OCR重要的是识别率，专家说达到90%以上才有意义。

OCR重要的两点：特征提取与匹配能力。

特征提取与图像处理算法的好坏密切相关。

匹配算法：

1. 模板匹配

包括多模板匹配、关键点模板匹配

2. 人工神经网络训练

3. 结构化分析、特征统计

---------------------------------------------------------------------------------------------------

tesseract是google开源的OCR，很流行。

这里记录下其应用方法及原理。

单个字符tesseract 测试：

命令行： tesseract  input.jpg out  -psm  10

输入图像应该遵守一定的规则，这样才能提高识别率：

其结果是M，错的结果。

而对

其结果是H，正确。

两个图片的区别就在于宽度不同，一个大小是（29,55），另外一个是（55,55），原以为图片是需要归一化，或宽高相等。后查看tesseract FAQ，提到改善结果的要素：

1. please check DPI of your image and size of text
2. try to set different segmentation mode (-psm option for command line) if you try to OCR small part of text (line, text)
3. try to add border (see issue 398)
4. try to pre-process image (increase DPI, resize, blur/sharpen image) before OCR (see issue 191)
5. try to remove noise dewarp (so there are straight text lines) image and binarize image

这里是第三点add border，使结果改善。

经批量测试，确是如此。

其他，设置识别白名单，如只识别数字，或大写字母，可以大大提高识别率

将tessedit_char_whitelist 0123456789 放在config/digits中，数字可被替换。

测试200多个单个字符（200张图片），识别率达到90%，字符为黑体印刷体。

目前测试中增加字体宽度，对识别率，无明显影响。

为进一步提高识别率，对错误识别的字符再次进行训练学习