Tesseract OCR识别字符间距过大的图像准确率低该如何解决？

问题说明 #

• 场景：使用Tesseract OCR提取图像中非词典有效词的字符序列，待识别图像存在字符间距过大的问题
• 参考识别样图：
  
• 测试效果：
  • 默认配置识别输出：5 O M E T E—E X fT
  • 调整页面分割参数后的最优结果：使用--psm 8参数识别得到"SOME TEXT.，仍不符合预期
• 核心疑问：是否有内置配置可让Tesseract适配宽间距字符场景，还是必须训练自定义模型才能解决问题

可行方案 #

不需要第一时间训练自定义模型，优先按以下顺序调整即可解决绝大多数均匀宽间距识别问题：

• 先做图像前置预处理
  逐列扫描图像像素，批量删除无有效字符像素的冗余空白列，把分散的宽间距字符压缩到常规文本间距后再送入Tesseract识别，这个方法对均匀宽间距场景的提升效果远高于直接调整OCR参数。
• 调整Tesseract内置参数
  1. 调大字符同属判定阈值：修改配置项tosp_min_sane_kn_sp，该参数控制Tesseract判定两个字符属于同一文本块的最大间距，默认值适配常规印刷体间距，宽间距场景可将其调整为默认值的2~3倍，配合--psm 7（识别单行文本）或--psm 8（识别单个单词）模式使用。
  2. 关闭内置词典校正：由于待识别的字符序列本身不是有效单词，默认开启的词典匹配会强行把识别结果修正为形近的常见单词，添加以下参数关闭所有内置词典加载即可避免该问题：

     -c load_system_dawg=0 -c load_freq_dawg=0 -c load_punc_dawg=0 -c load_number_dawg=0
     

• 自定义模型适用场景
  只有当字符间距不均匀、同时存在特殊字体、复杂背景干扰，上述预处理和参数调整都无法达到识别准确率要求时，才需要使用对应场景的标注数据微调自定义Tesseract模型，普通均匀宽间距场景无需训练模型。

内容的提问来源于stack exchange，提问作者qanpi