Abstract

整理了很多OCR的資料，這篇主要是對Tesseract重要的知識進行總結羅列。本次總結，基於2007年Smith所寫的Paper—-《An Overview of the Tesseract OCR Engine》，所以算是論文導讀吧。PS：Smith是一個專注OCR領域30年的男人~~太可怕了！

這篇文章的重點是在文字行的查詢，特徵/分類的方法，以及自適應分類器。此外，文章中介紹了Tesseract發展歷史，我就略過了，只談技術相關。

1. Architecture

先談Page Layout Analysis技術，它在OCR領域是個很重要的部分，因為算是文字識別的準備工作。但是，早期的Tesseract沒有這項技術，因為HP實驗室開發了獨立的Page Layout Analysis technology。所以在後期的Tesseract就加入了這項技術。

沒記錯，就是Tesseract 3.x系列，但是工作沒有完成。Smith是基於製表位探測技術做的頁面分析。據Smith說下面在做頁面中table的檢測，我猜快做完了吧….

這篇論文裡的（舊）Tesseract假設：其資料來源是已定義的可選多邊形文字域的二進位制圖片。

Tesseract therefore assumes that its input is a binary image with optional polygonal text regions defined.

再談處理過程。分兩步：
（1）connected component analysis，然後得到Blobs.
（2）從Blobs中得到文字行，然後得到固定比例的(fixed pitch)或者成比例的(proportional)文字。

最後談識別過程。分兩步：
（1）通過一個一個地識別單詞訓練自適應分類器（adaptive classifier），classifer將得到更高的機率能正確識別單詞。
（2）識別整個頁面。

2. Line and Word Finding

概括來說，先找文字行（lines）,再找基線（baseline），然後將單詞（word）切割成字元（character）。

細細來講三點：

• 找文字行所用的演算法參見：《A Simple and Efficient Skew Detection Algorithm via Text Row Accumulation》,written by Ray Smith。
• baseline使用的二次樣條曲線（quadratic spline），參考資料：《Optical Character Recognition: An Illustrated Guide to the Frontier》,written by S.V. Rice。
• 通過固定間距檢測（fixed pitch detection），把單詞切成字元。對於沒有固定間隔的文字，即成比例單詞（proportional word），採用計算baseline和mean line之間的空隙垂直範圍。

致歉

這篇博文在我的草稿箱放了太久，不公佈出來就是浪費。但是，目前的內容非常對不起文章標題。按照題目，我還會寫：

• 3 Word Recognition
• 4 Static Character Classifier
• 5 Linguistic Analysis
• 6 Adaptive Classifier

如果這篇博文反響還不錯，我將繼續下去。Sorry~Everyone~

結語

我還健康的活著，有問題歡迎交流！這裡在大牛面前，班門弄斧，實在不好意思哈~歡迎指正！

有問題可以在我的微信公眾號“谷震平的專欄”提出，當天答覆。歡迎，掃描下方二維碼，回覆“Tesseract”，即可得到《An Overview of the Tesseract OCR Engine》（我個人進行了註釋、翻譯）的閱讀連結。