如何使用tesseract在文档中OCR多列

How to OCR multiple column in a document using tesseract

本文关键字：OCR 多列 文档 何使用 tesseract      更新时间：2023-10-16

我正在做一个使用tesseract的僧伽罗语OCR项目。我的目标是ocr，在文档中包含文本的多列。并以正确的格式输出文件。有什么方法可以在使用tesseract的文档中识别列吗?

设置tesseract来处理多列文档非常容易，尽管我在网上很少找到关于多列页面的信息或讨论。其基本思路是设置页面分割方法，同时做到"自动页面分割";(默认)AND "方向和脚本检测"(OSD，不是默认设置)。

这就像将psm设置为1一样简单，它告诉tesseract"自动使用OSD进行页面分割"。虽然OSD =识别多列文档可能不太明显，但实际上这是结果之一。另一个好处是，脚本检测帮助tesseract避免尝试OCR非文本块，如照片。

有关页面分割方法的更多信息，请参见:https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality

下面是调整页面分割方法的命令行语法示例

tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile...]

有关语法的更多信息，请参见:https://tesseract-ocr.github.io/tessdoc/ImproveQuality

当我们扫描图片时，你可以尝试用下面的解决方案来识别列。

TessBaseAPI baseApi = new TessBaseAPI();
 baseApi.setDebug(true);
 baseApi.init(DATA_PATH, lang); //DATA_PATH - Where Image stored and lang - en(english)
 baseApi.setPageSegMode(TessBaseAPI.PageSegMode.PSM_SINGLE_COLUMN);//This line will help us to do segment for captured image - Hope you looking for this line
 baseApi.setImage(bitmap);
 //Recognized Text after capturing image then process it.
 String recognizedText = baseApi.getUTF8Text();

如果您不期望这个解决方案，那么请尝试PageSegMode，希望它可以解决您的问题。

相关文章：