Какой идеальный шрифт для распознавания текста?
Есть ли у кого-нибудь опыт работы с разными шрифтами для OCR? Я генерирую идентификатор, а затем пытаюсь отсканировать его с помощью tesseract. На данный момент я просто использую разные шрифты, но это кажется довольно неэффективным. Я пробовал семейство шрифтов OCR * и другие шрифты, такие как Arial и Georgia. Тессеракт часто путают со шрифтами OCR *.
Есть ли шрифт, специально разработанный для tesseract, или любой системный шрифт, который с ним хорошо работает?
Ответы 8
Я бы, наверное, использовал тот же шрифт, который банки используют для номеров маршрутизации внизу чеков:
http://morovia.com/font/micr.asp
Он был специально разработан, чтобы быть однозначно машиночитаемым.
Хм? Почему даунмод? Даже пояснительный комментарий?
MICR был разработан для идеального чтения с помощью магнитной технологии, а не оптики. Хотя это неплохо, но для OCR далеко не идеально.
В фильме «Поймай меня, если сможешь» были некоторые забавные вещи, связанные с MICR.
Он также должен поддерживать буквенно-цифровые символы.
Tesseract-OCR изначально не обучен работе со шрифтами MICR, хотя это можно сделать ...
Хорошо, поиск в Google дает этот конкретный шрифт OCR: Шрифт OCR
Похоже, это стандарт, принятый в 1973 году.
Я всегда добивался успеха, просто используя Times New Roman.
Да, римский шрифт должен давать хорошие результаты. Убедитесь, что изображение в оттенках серого или битональное, с разрешением от 200 до 300 точек на дюйм. Но вам, вероятно, будет лучше обучить движок для ограниченного домена (алфавита / слов) для этого типа сценария использования.
Я считаю, что Calibri лучше всего подходит для меня. Мы ежедневно используем программное обеспечение OCR в автоматизированной системе, и после тестирования десятков шрифтов (включая некоторые специальные для OCR) Calibri неизменно является лучшим.
Удачи.
Страница Википедии для Calibri отмечает, что в Calibri нижний регистр L (l) и верхний регистр I «практически неразличимы», что является проблемой, если вы выполняете OCR для непрозрачного текста, такого как компьютерный код, распечатки base64 и т. д.
Попробовав много разных шрифтов и Двигатели OCR, я стараюсь получить наилучшие результаты, используя Consolas. Это шрифт моноширинный, похожий на OCR-A, но легче читать для людей. Consolas входит в состав нескольких продуктов Microsoft.
Существует также шрифт открытый источникИнконсолата, который является под влиянием Consolas. Inconsolata - хорошая замена Consolas, особенно с учетом деталей лицензирования.
В моих тестах числа и пробелы в шрифте Калибри не всегда распознавались должным образом. OCR-A выдал множество ошибок чтения. Я не пробовал использовать MIRC, поскольку он не читается большинством людей.
Примечание: tesseract требует много тестирования и тонкой настройки, прежде чем станет надежным. В нашем случае мы перешли на коммерчески лицензированный движок OCR (ABBYY), тем более что надежность была очень важна, и нам нужно было поддерживать несколько (европейских) языков.
Обновлять:, 31 января 2017 г. - «на основе Consolas» заменено на «под влиянием Консоласа» из-за потенциальных проблем с авторскими правами.
как Эбби сравнивала с предыдущими итерациями с использованием тессеракта? Я рассматриваю плюсы и минусы перехода на коммерческий
В 2011 году ABBYY работала 99% времени. Но меня не удивит, если сейчас доступны более привлекательные альтернативы.
Inconsolata определенно не основана на Consolas. Если бы это было так, то это была бы производная работа Consolas и не могла быть выпущена под свободной лицензией. На странице википедии используется слово «под влиянием», что в данном случае является более подходящим атрибутом. Просто укажите на это, потому что понять авторское право сложно, и полезно не использовать неправильные термины и создавать еще большую путаницу.
@josch В 2011 году, на момент написания статьи, в Википедии говорилось «вдохновлено» (см. журнал истории Википедии), а в интервью упоминалось «на основе». Но я понимаю, что для целей авторского права может быть более подходящим "под влиянием", я обновлю ответ.
В настоящее время используется Monospace. Пробовал очень много шрифтов, но для меня это самый точный.
Недавно я провел обширное тестирование этого в ECM под названием Laserfiche, который использует Nuance OmniPage, и обнаружил, что моноширинные шрифты плохо работают по сравнению со шрифтами с динамическим интервалом. Эти старые шрифты OCR не работают так хорошо, как более «нормальные» шрифты. Специально для строк чисел с меньшим размером шрифта, например, точка 12.
Странно, что кто-то другой добивается успеха с Calibri. Он показал очень плохие результаты в моих тестах, постоянно путали похожие буквы и цифры друг за друга. Лучшими шрифтами (среди тех, которые поставляются на компьютере под управлением Windows с установленным Office) были Consolas, Verdana и Book Antiqua. Все динамические шрифты с засечками, в которых буквы и цифры выглядят четко. Консолас был чемпионом.
Это действительно зависит от рассматриваемого механизма OCR.
Для gocr лучше всего подходит FreeMono, см. Документацию gocr.
Для тессеракта хорошо работает DejaVu-Serif, см. https://superuser.com/a/1543382/280936
Для abbyocr хорошо подходит вердана, см. это сравнение
См. Также это заключение: https://www.monperrus.net/martin/perfect-ocr-digital-data
FYI, см. Соответствующий вопрос о суперпользователе superuser.com/a/1543382