Ist es möglich, den Zeichensatz, nach dem Tesseract sucht , einzuschränken (z. B. nur nach Buchstaben az suchen)? Das würde meine Ergebnisse erheblich verbessern.

Erstellen Sie eine Konfigurationsdatei (z. B. "Buchstaben") im Verzeichnis tessdata / configs - normalerweise /usr/share/tesseract/tessdata/configs
oder
/usr/share/tesseract-ocr/tessdata/configs

Und fügen Sie diese Zeile zur Konfigurationsdatei hinzu:

tessedit_char_whitelist abcdefghijklmnopqrstuvwxyz  

... oder vielleicht funktioniert [az] .. keine Ahnung :-)
Dann nenne tesseract ähnlich wie folgt :

tesseract input.tif output nobatch letters  

Dadurch wird tesseract eingeschränkt, um nur die gewünschten Zeichen zu erkennen

Um die Whitelist in einer Konfigurationsdatei oder über den -c tessedit_char_whitelist=...Befehlszeilenschalter zu verwenden, müssen Sie in der neuesten Version 4.0 den OCR Engine-Modus auf "Nur Original Tesseract" einstellen. Dies liegt daran, dass der neue LSTM-Modus "Neuronale Netze" die Whitelist-Einstellung nicht berücksichtigt. Beispiel für die richtige Befehlszeile für die Version 4.0:

tesseract input_file output_file --oem 0 -c tessedit_char_whitelist = abc123

UPDATE: In neueren Versionen (4.0) ist eine beschädigte eng.traineddataDatei standardmäßig von Windows und einigen Linux-Installationsprogrammen installiert. Temporäre Lösung besteht darin, die tessdata\eng.traineddataDatei durch eine Datei aus einer älteren Version zu ersetzen . Diese Datei sollte ungefähr 30 MB groß sein. Andernfalls erhalten Sie den Fehler: "Tesseract konnte keine Sprachen laden!" oder ähnliches.

Update von tesseract 4.1.1

• In Tesseract 4.1.1 ist der obige Fehler jedoch behoben, dh in Tesseract 4.1.1 funktioniert das Folgende wie ein Zauber

  tesseract my_image.jpg stdout -l mylang configfile myconfig

Wobei "myconfig" eine Klartextdatei in TESSDATA / configs ist

load_system_dawg false
load_freq_dawg false
tessedit_char_whitelist ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789

Zusätzlich zur Konfigurationsdatei befindet sich das -cFlag:

tesseract stdin stdout -c tessedit_char_whitelist=abcdefghijklmnopqrstuvwxyz -psm 6

Fügen Sie dies einfach für alle hinzu, die Tesseract unter Android verwenden. Fügen Sie in Ihrer readOCR-Funktion, in der Sie die Sprache usw. festlegen, die folgende Zeile hinzu.

tesseract.setVariable("tessedit_char_whitelist","ABCDEFGHIJKLMNOPQRSTUVWXYZ");

Sie können auch blackList ausführen, damit Zeichen ausgeschlossen werden.

Ich benutze Ubuntu 18.04.4 LTS. Der Standard-Tesseract ist Version 4. Ich kann keine Whitelist damit verwenden. Dann aktualisiere ich es auf Version 5. Dann benutze ich den folgenden Befehl und es hat funktioniert.

tesseract sample.jpg stdout -l eng --oem 3 --psm 7
Warning: Invalid resolution 0 dpi. Using 70 instead.
LL £036 GL)

tesseract sample.jpg stdout -l eng --oem 3 --psm 7 -c tessedit_char_whitelist="ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789"
Warning: Invalid resolution 0 dpi. Using 70 instead.
L4036GL

sample.jpg

In Tesseract Version 4.00 ist dies nicht möglich. Sie können Ihr Modell nur optimieren oder Regex verwenden, um zusätzliche Zeichen aus der Vorhersage zu entfernen.

Meine Antwort stammt vollständig aus der Antwort akzeptiert und wird hier hinzugefügt alle .NET - Windows - Entwickler profitieren die Verwendung TesseractNuGet Paket - jedoch zur Kenntnis nehmen meine Kugel 2, bezieht jeder mit jeder Art von Tesseractauf Windows

1. Erstellen Sie einen configOrdner in Ihrem tessdataOrdner, in dem sich die anderen Trainingsdaten befinden.
2. Fügen Sie eine lettersDatei in den configOrdner ein. Verwenden Sie einen Editor wie TextPad, mit dem Sie ihn im UNIX-Format und in der ANSI-Codierung speichern können (ich hatte ursprünglich UTF-8 / IBM PC ausprobiert und tesseract hat einen Fehler in meine Testausgabe gekotzt).
3. Stellen Sie genau wie bei Ihren Trainingsdateien sicher, dass für die lettersDatei im Eigenschaftenfenster eine Build-Aktion festgelegt Contentund weiter markiert ist, um sie in das Ausgabeverzeichnis zu kopieren:
   
4. Rufen Sie Ihre Tesseract-Motorklasse folgendermaßen auf:

 var ocrEng = new TesseractEngine("./tessdata", "eng", EngineMode.Default, "letters");