TesseractOCR（光學字元識別）引擎概述（一）
目錄
三、文字行和單詞的查詢（Text-line and Word Finding）
原文參見《Adapting the Tesseract Open Source OCR Engine for Multilingual OCR》
下載連結：https://download.csdn.net/download/kangshuaibing/10799843
一、TesseractOCR引擎簡介
Tesseract是惠普布里斯托實驗室在1985到1995年間開發的一一個開源的OCR引擎，曾經在1995 UNLV精確度測試中名列前茅。但1996年後基本停止了開發。2005年，惠普將其對外開源，2006 由Google對Tesseract進行改進、消除Bug、優化工作。目前專案地址為:
二、TesseractOCR架構
Tesseract的識別步驟大致如下:
1.連通區域分析,檢測出字元區域區域(輪廓外形)，以及子輪廓。在此階段輪廓線整合為塊區域。
2.由字元輪廓和塊區域得出文字行，以及通過空格識別出單詞。固定字寬文字通過字元單元分割出單個字元，而對百分號的文字(Proportional text)通過一定的間隔和模糊間隔(fuzzy spaces)來分割:
3.依次對每個單詞進行分析，採用自適應分類器，分類器有學習能力，先分析且滿足條件的單詞也作為訓練樣本，所以後面的字元( 比如頁尾)識別更準確:此時，頁首的字元識別比較不準確，所以tesseract會再次對識別不太好的字元識別是其精度得到提高。
4.最後，識別含糊不清的空格，及用其他方法，如由筆畫高度(x-height)，識別小寫字母(small-cap)的文字。
三、文字行和單詞的查詢（Text-line and Word Finding）
a. 假設頁面佈局分析(page layout analysis) 大致確定了文字區域和文字尺寸，一個簡單百分位高度過濾器(percentile height fiter)可以將跨行大寫字母及縱向粘連一起的字元過濾掉，利用字元的高度資訊，選取所有字元的中值高度，通過高度的比例調節去掉一些無關的塊，比如標點符號，變音符和噪聲等；
b.對塊區域的x座標排序，利用座標擬合直線(baseline) ，擬合方法:中位數最小方差擬合(least median of squares fit)
c.進一步，擬合文字行的形狀，利用四次多項式，將文字行看成螺線形，採用最小二乘法擬合
d.檢測出等距文字(fixed pitch text),對粘連的文字進行分割(chopping)
e.對非等距字型如百分號，斜體等問題，利用中線、基準線之間的空白大小，來分割字元