上学期我和我的团队一起做了一个关于 OCR 的项目。
注意：我假设您图片的数据集具有白色背景，上面带有黑色（或其他一些深色文本）。
这些是我们遵循的概述步骤：预处理包括灰度转换、降噪、二值化和倾斜检测。 下一步是分段。此过程从图像中提取单个字符。沿 y 轴拍摄的直方图将图像分成几条线。接下来是沿 x 轴的直方图，将它们划分为单词并进一步划分为字符。在这一步结束时，我们使用 Savgol 滤波器来平滑直方图的曲线。 下一步是特征提取




. 这是最重要的一步。你的代码的准确性取决于你的功能有多好。
我们使用了以下功能：

• 交叉：计算前景和背景之间的转换次数。我们使用了两条对角线，两条水平线和一条垂直线。你可以使用任何你想要的号码。
• 分区：将整个字符区域划分为16个区域，并测量每个区域的密度。
• 投影直方图：每个字符都有唯一的（几乎）垂直和水平直方图签名。
• 其他功能包括字符中的端点数、循环数和水平/垂直线数。
  

我们为我们的项目使用了三种不同的分类算法。它们是 KNN（K-最近邻）、人工神经网络（ANN）和额外树分类。他们的 F1 分数分别为 0.84、0.82 和 0.77。
对于训练，您需要找到数据集。许多 OCR 数据集可在线获得。确保你使用的是好的。

一个有趣的问题，我认为用于 OCR 的算法是多步骤的“逻辑回归”或“决策树”。

步骤可以

1. 图像分类 - 在这一步中，图像被分类为“有或没有”文本。
2. 文本检测 - 在此步骤中，将带有文本的图像分成块，并将块分类为“有或没有”文本。
3. 字符检测 - 在此步骤中，将带有文本的块分成较小的单个字符框，并与字符数据库进行比较。

该数据库是使用众包的“验证码”项目构建的。