/ocr-guess

Primary LanguagePython

ocr-guess

對圖片同時做中英文OCR，並猜測哪行結果較為正確

概念起源於阿美語字典OCR及政治獻金數位化．人工 OCR。 在這兩個專案中，使用者需自行輸入在圖片中看到的文字，然而輸入文字相當麻煩，所以雖然效果有限，我們仍然可以嘗試使用程式先作初步的OCR。

主要用來辨識只含有單行文字的圖片。例如：

sample.jpg

由於內容可能包含中文及英文，同時作兩種語言的ocr，可以方便我們由兩種結果中取較正確的部份出來修改，以得到正確的結果，減少人工打字的麻煩。

相依軟體

  • tesseract, 需安裝中文語言檔(chi_tra)

使用範例

此script可以單獨執行，也能做函式庫使用

函式庫：

import ocr_guess

print ocr_guess.get_ocr_guess('sample.jpg',True)

單獨執行：

./ocr_guess.py -p -t -v *.jpg > result.json

可得到類似這樣的結果：

[
    {
        "cht": "啷二】 gaWg蠶W 一【o ea【 SWee! p0【a【oeS or le【tuCe 。【 guaVa r矗W 生吃蕃薯",
        "eng": "NW.‘ gawgaw —to eat sweet potatoes or lettuce or guava raw §“Z§§",
        "img": "105_018.jpg"
    },
]

英文結果含有「 gawgaw —to eat sweet potatoes or lettuce or guava raw」，中文則有「生吃蕃薯」

校對人員便能直接複製這些文字，不需自己打

ocr正確率仍受限於tesseract本身的辨識能力