轉載地址：http://blog.csdn.net/guzhenping/article/details/51035077
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本行的查找，特征/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准備工作。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。所以在后期的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是基於制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….
這篇論文里的（舊）Tesseract假設：其數據源是已定義的可選多邊形文本域的二進制圖片。
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，然后得到Blobs. （2）從Blobs中得到文本行，然后得到固定比例的(fixed pitch)或者成比例的(proportional)文本。
最后談識別過程。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將得到更高的幾率能正確識別單詞。 （2）識別整個頁面。
2. Line and Word Finding
概括來說，先找文本行（lines）,再找基線（baseline），然后將單詞（word）切割成字符（character）。
細細來講三點：
- 找文本行所用的算法參見：《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），把單詞切成字符。對於沒有固定間隔的文本，即成比例單詞（proportional word），采用計算baseline和mean line之間的空隙垂直范圍。
致歉
這篇博文在我的草稿箱放了太久，不公布出來就是浪費。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
我還健康的活着，有問題歡迎交流！這里在大牛面前，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，當天答復。歡迎，掃描下方二維碼，回復“Tesseract”，即可得到《An Overview of the Tesseract OCR Engine》（我個人進行了注釋、翻譯）的閱讀鏈接。
版權聲明：本文為博主原創文章，未經博主允許不得轉載。