提升輸出品質
您可能無法從 Tesseract 獲得良好品質輸出的原因有很多。請務必注意，除非您使用的是非常不尋常的字型或新的語言，否則重新訓練 Tesseract 不太可能有所幫助。
影像處理
Tesseract 在執行實際 OCR 之前，會在內部執行各種影像處理操作（使用 Leptonica 函式庫）。它通常在這方面做得很好，但不可避免地會有不夠好的情況，這可能會導致準確性大幅降低。
您可以透過將 設定變數 tessedit_write_images 設定為 true（或在執行 Tesseract 時使用設定檔 get.images），來查看 Tesseract 如何處理影像。如果產生的 tessinput.tif 檔案看起來有問題，請嘗試在將影像傳遞給 Tesseract 之前執行這些影像處理操作。
反轉影像
雖然 tesseract 3.05 版（和更舊的版本）可以毫無問題地處理反轉影像（深色背景和淺色文字），但對於 4.x 版，請使用淺色背景上的深色文字。
重新縮放
Tesseract 在 DPI 至少為 300 dpi 的影像上效果最佳，因此調整影像大小可能會有所幫助。如需更多資訊，請參閱常見問題解答。
“Willus Dotkom” 對最佳影像解析度進行了有趣的測試，並提出了以像素為單位的大寫字母的最佳高度建議。
二值化
這會將影像轉換為黑白。Tesseract 會在內部執行此操作（Otsu 演算法），但結果可能不是最佳的，特別是當頁面背景的深淺度不均勻時。
Tesseract 5.0.0 新增了兩種基於 Leptonica 的二值化方法：自適應 Otsu 和 Sauvola。使用 tesseract --print-parameters | grep thresholding_ 來查看相關的可設定參數。
如果您無法透過提供更好的輸入影像來解決此問題，您可以嘗試不同的演算法。請參閱ImageJ 自動閾值 (java) 或OpenCV 影像閾值處理 (python) 或scikit-image 閾值處理文件 (python)。
雜訊移除
雜訊是影像中亮度或顏色的隨機變化，這會使影像的文字更難以閱讀。某些類型的雜訊無法由 Tesseract 在二值化步驟中移除，這可能會導致準確度下降。
擴張和侵蝕
粗體字元或細體字元（尤其是具有襯線的字元）可能會影響細節的辨識並降低辨識準確度。許多影像處理程式允許對一般背景的字元邊緣進行擴張和侵蝕，以擴張或增大尺寸（擴張）或縮小尺寸（侵蝕）。
可以使用侵蝕技術來補償歷史文檔中的嚴重墨水暈染。侵蝕可以用來將字元縮回到其正常的字形結構。
例如，GIMP 的值傳播濾鏡可以透過降低下限值來產生額外粗體歷史字型的侵蝕。
原始
套用侵蝕
旋轉/傾斜校正
當頁面掃描時未對齊時，就會出現傾斜影像。如果頁面過於傾斜，Tesseract 的行分割品質會顯著降低，這會嚴重影響 OCR 的品質。要解決此問題，請旋轉頁面影像，使文字行水平。
邊框
遺失邊框
如果您僅 OCR 文字區域而沒有任何邊框，tesseract 可能會出現問題。有關詳細資訊，請參閱tesseract 使用者論壇#427。您可以使用ImageMagick® 輕鬆新增小邊框（例如，10 像素）。
convert 427-1.jpg -bordercolor White -border 10x10 427-1b.jpg
過大的邊框
大邊框（尤其是在大型背景上處理單個字母/數字或一個單字時）可能會導致問題（「空白頁面」）。請嘗試將輸入影像裁剪到具有合理邊框（例如，10 像素）的文字區域。
掃描邊框移除
掃描的頁面周圍通常會有深色邊框。這些可能會被錯誤地當作額外的字元拾取，特別是當它們的形狀和漸層變化時。
透明度/Alpha 通道
某些影像格式（例如，png）可以具有alpha 通道來提供透明度功能。
Tesseract 3.0x 希望使用者在使用 tesseract 中的影像之前，從影像中移除 alpha 通道。例如，可以使用 ImageMagick 命令來完成此操作
convert input.png -alpha off output.png
Tesseract 4.00 使用 leptonica 函式 pixRemoveAlpha() 移除 alpha 通道：它會將 alpha 元件與白色背景混合來移除它。在某些情況下（例如，OCR 電影字幕），這可能會導致問題，因此使用者需要自行移除 alpha 通道（或透過反轉影像顏色來預先處理影像）。
工具/函式庫
- Leptonica
- OpenCV
- ScanTailor Advanced
- ImageMagick
- unpaper
- ImageJ
- Gimp
- PRLib - 具有改善 OCR 品質演算法的預辨識函式庫
範例
如果您需要如何以程式方式改善影像品質的範例，請查看此範例
- OpenCV - 旋轉（傾斜校正） - c++ 範例
- Fred 的 ImageMagick TEXTCLEANER - 用於處理掃描的文字文件以清除文字背景的 bash 腳本。
- rotation_spacing.py - 用於自動偵測文字影像的旋轉和行距的 python 腳本
- crop_morphology.py - 使用 Python、OpenCV 和 numpy 在影像中尋找文字區塊
- 使用 OpenCV 和 Python 的信用卡 OCR
- noteshrink - 如何清除掃描的 python 範例。詳細資訊請參閱部落格壓縮和增強手寫筆記。
- unproject text - 如何恢復影像透視的 python 範例。詳細資訊請參閱部落格使用橢圓投射文字。
- page_dewarp - 使用「立方體」模型進行文字頁面去扭曲的 python 範例。詳細資訊請參閱部落格頁面去扭曲。
- 如何使用 OpenCV 從掃描影像中移除陰影
頁面分割方法
依預設，Tesseract 會在分割影像時預期會有文字頁面。如果您只是想 OCR 小區域，請使用不同的分割模式，使用 --psm 引數。請注意，在過於緊密裁剪的文字中新增白色邊框也可能會有所幫助，請參閱問題 398。
若要查看支援的頁面分割模式的完整列表，請使用 tesseract -h。以下是截至 3.21 的列表
0 Orientation and script detection (OSD) only.
1 Automatic page segmentation with OSD.
2 Automatic page segmentation, but no OSD, or OCR.
3 Fully automatic page segmentation, but no OSD. (Default)
4 Assume a single column of text of variable sizes.
5 Assume a single uniform block of vertically aligned text.
6 Assume a single uniform block of text.
7 Treat the image as a single text line.
8 Treat the image as a single word.
9 Treat the image as a single word in a circle.
10 Treat the image as a single character.
11 Sparse text. Find as much text as possible in no particular order.
12 Sparse text with OSD.
13 Raw line. Treat the image as a single text line,
bypassing hacks that are Tesseract-specific.
字典、字詞列表和模式
依預設，Tesseract 已針對辨識單字句子進行最佳化。如果您嘗試辨識其他內容，例如收據、價目表或程式碼，您可以執行一些操作來提高結果的準確性，以及仔細檢查是否已選取適當的分割方法。
如果您的大部分文字不是字典單字，則停用 Tesseract 使用的字典應該會提高辨識度。可以透過將設定變數 load_system_dawg 和 load_freq_dawg 都設定為 false 來停用它們。
也可以將單字新增至 Tesseract 用於協助辨識的單字列表，或新增常見的字元模式，如果您對您預期的輸入類型有很好的了解，這可以進一步幫助提高準確性。這在Tesseract 手冊中有更詳細的說明。
如果您知道您只會遇到語言中可用字元的子集（例如，只有數字），您可以使用 tessedit_char_whitelist 設定變數。請參閱常見問題解答中的範例。
表格辨識
眾所周知，tesseract 無法在沒有自訂分割/版面配置分析的情況下辨識表格中的文字/資料（請參閱問題追蹤器）。您可以嘗試使用/測試Sintun 建議，或從使用 PyTesseract 和 OpenCV 從表格影像中擷取文字/用於文字擷取表格影像的程式碼 中獲得一些想法
仍然有問題嗎？
如果您嘗試了以上所有方法，但仍獲得較低的準確度結果，請在論壇上提問以尋求協助，最好是張貼範例影像。