基于Tesseract—OCR技術的文字識別優化

曹重陽

一、需求分析

對天貓平臺的企業信息采集下來進行結構化處理，提取出文字信息后匯總進Excel作為交付文件。

主要的功能設計如下：

1、程序能夠自動讀取企業工商信息圖片所在的文件夾路徑，并從文件夾路徑中順序取出圖片進行識別，最終的識別結果以一份匯總的Excel交付。

2、因為天貓平臺公示的圖片內容沒有固定格式，所以需要程序能匹配不同格式的圖片內容提取信息。

3、能夠提取出圖片中的企業注冊號、企業名稱數據項，企業注冊號、企業名稱數據項要進行分析處理。

4、識別準確率需要保證在95%以上。

5、識別速度保持在60秒識別50張圖片。

二、本程序處理圖片方面的關鍵模塊

1、對圖片進行切割：

要求識別的文字信息“企業名稱”“企業注冊號”位于整個圖片的其中一部分，把剩余部分切除，只留下關鍵信息部分，不但可以提高識別速度，還可提升識別率。

2、在進行圖片的二值化時，有兩種方式：

（1）圖片為彩色時，宜找到每個像素點合適的灰色度，因為每個像素點的灰色度不同程度上受到周邊像素加權影響，從而影響整個圖片的識別率。比如本像素點加上周圍8個灰度值再除以9，算出其相對灰度值。

（2）圖片為黑白色時，宜采用max-min方法對圖片進行二值化。

針對本程序識別的圖片的黑白色對比明顯，故采用max-min方法進行二值化。

private static File binaryImage（File orcFile） throws IOException {

// 獲取圖片的BufferedImage對象

BufferedImage bi = ImageIO.read（orcFile）；

int h = bi.getHeight（）；// 獲取圖片的高

int w = bi.getWidth（）；// 獲取圖片的寬

BufferedImage nbi = new BufferedImage（w， h， BufferedImage.TYPE_BYTE_BINARY）；

// 設置合適的經驗閾值，對二值化的識別效果起重要作用

int threshold = new Color（20， 20， 20）.getRGB（）；// 閾值對應的顏色位于黑色文字和偏黑色背景顏色區間即可

for （int x = 0； x < w； x++） {

for （int y = 0； y < h； y++） {

// 二值化處理

if （bi.getRGB（x， y） > threshold） {

int max = new Color（255， 255， 255）.getRGB（）；

nbi.setRGB（x， y， max）；

} else {

int min = new Color（0， 0， 0）.getRGB（）；

nbi.setRGB（x， y， min）；

}

}

}

// 將二值化處理后的圖片放于D：＼＼orc_cut_binary下

String orcFileName = orcFile.getName（）；

String binaryDir = "D：＼＼orc_cut_binary"；

File dir = new File（binaryDir）；

// 存儲目錄不存在，則創建目錄

if （！dir.exists（）） {

dir.mkdirs（）；

}

File binaryFile = new File（binaryDir + "/" + orcFileName.substring（0， orcFileName.indexOf（"."）） + "binary.png"）；

ImageIO.write（nbi， "png"， binaryFile）；

return binaryFile；

}

3、在選取二值化中的經驗閾值，我們有以下思路：

（1）二值化微分計算閾值

（2）二值化類卷積的對梯度變化加強得到閾值

對24位位圖進行中值濾波會改變RGB各分量的值，所以圖片的顏色會發生變化，但對于8位的位圖，由于都是灰度的顏色，所以變化并不明顯，而且濾波的窗口選的越大，對應的濾波效果的模糊度也會上升。

4、增加圖片的亮度：

增加圖片亮度可以使有些彩色圖片的識別率大大增加，本程序別的圖片為黑白照片，增加圖片亮度提升的識別率并不樂觀。

5、對圖片的邊緣進行尖銳化處理：

銳化可以快速調整圖像邊緣細節的對比度，并在邊緣的兩側生成一條亮線一條暗線，使畫面整體更加清晰。對于高分辨率的輸出，通常銳化效果在屏幕上顯示比印刷出來的更明顯。在圖片的Alpha值保持不變的情況下，本程序前期也進行了銳化處理，但效果并不明顯，有時識別率甚至可能低于未銳化處理的圖片。

6、對圖片進行平滑縮放：

有時很多圖片本身無法很好的被識別，但當放大適當倍數時，就可增強識別率，但這個“適當倍數”很難把控，它受諸多硬件因素影響，比如電腦配置、針式打印機打印連貫性差等問題。