Распознавание текста на изображениях. Tesseract

1.

Распознавание текста на
изображениях.
Tesseract.

2.

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

3.

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

4.

Pipeline
Бинарное
изображение
Анализ макета
страницы
Поиск блобов
Сборка строк и слов
Распознавание слов
(первый проход)
Распознавание слов
(второй проход)
Текст

5.

Анализ макета страницы

6.

7.

8.

9.

10.

11.

Поиск блобов

12.

Поиск строк

13.

Поиск слов: случай
моноширинного шрифта

14.

Поиск слов: случай
пропорционального шрифта

15.

Поиск слов: случай
пропорционального шрифта
Лишний
пробел
Нет пробела

16.

Поиск слов: случай
пропорционального шрифта
“Fuzzy”
space

17.

Разрезание и объединение
символов

18.

Статическая классификация
символов
Features of prototype
Features of unknown

19.

И что, это работает?

20.

21.

22.

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)

23.

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

24.

25.

26.

27.

Daubechies 4 tap wavelet
1.5
1
0.5
0
-0.5
-1
-1.5
scaling function
wavelet function
-2
0
0.5
1
1.5
2
2.5
3

28.

29.

1.5
1.0
0.5
0.0
­0.5
­1.0
­1.5
0
1