Распознавание текста на изображениях. Tesseract презентация

Распознавание текста на изображениях. Tesseract.

Использованные статьи Документация Tesseract:https://github.com/tesseract-ocr/docs Вейвлет-преобразование: http://www2.isye.gatech.edu/~brani/wp/kidsA.pdf Приложение вейвлет-преобразования: http://www.sciencedirect.com/science/article/pii/S0262885605000107 http://link.springer.com/article/10.1007/s13042-011-0049-5

1985 – Hewlett-Packard, C, проприетарность 1985 – Hewlett-Packard, C, проприетарность 1996 – порт на Windows 1998 – переход от C к C++ 2005 – открытый исходный код 2006 – Google

Pipeline

Анализ макета страницы

Поиск блобов

Поиск строк

Поиск слов: случай моноширинного шрифта

Поиск слов: случай пропорционального шрифта

Поиск слов: случай пропорционального шрифта

Поиск слов: случай пропорционального шрифта

Разрезание и объединение символов

Статическая классификация символов

И что, это работает?

Как сделать, чтобы заработало? Текст упорядочен в один или несколько столбцов Нет посторонних изображений Нет сильных искажений и шума Высота символов >= 20 пикселей Бинарное изображение на входе (иначе тессеракт сам его бинаризует)

Использованные пакеты Tesseract для Python: pytesseract Обработка изображений: scikit-image Вейвлеты: PyWavelets Нейронные сети: PyBrain