掘金· 修炼的dance·· 10 天前精选AI 评分71
作者用108组Tesseract测试拆解OCR预处理顺序与力度
OCR预处理测了108组，纠斜去噪有用，坑在顺序和力度
AI 导读
作者把纠斜、去噪、二值化拆成开关，在英文页上跑Tesseract 108组、中文页跑macOS自带识别60组，发现椒盐噪声下先去噪再纠斜准确率98.6～99.1，先纠斜再去噪只剩91.5～94.4。中值核开到9×9时英文准确率从98.9掉到91.0，自适应二值化遇高斯噪声输出全空。作者还发现歪5度只做中值掉到34.0是Tesseract版面被切碎所致，改用--psm 6后回到96.51%。
借鉴点
能拿走一套可复用的开关测法，用编辑距离加非空行数在自家扫描件上逐项开关预处理，落到知识沉淀的文档入库流程；代价是样本只有两页清晰印刷件，参数和结论换识别器就得重测。
来源：掘金 · juejin.cn