Tesseract OCR是否可以识别下标和上标？

问题描述

我在识别文本片段中的下标和上标时遇到问题。

示例图片：

我将Tesseract 4.1.1与https://github.com/tesseract-ocr/tessdata_best下提供的训练数据结合使用。众多选项具有默认值，除了：

• tessedit_create_hocr = 1（以HOCR形式获得结果）
• hocr_font_info = 1（以获取其他字体信息，例如字体大小）
• hocr_char_boxes = 1（获取基于字符的结果）

该语言设置为英语。在页面分割模式3（PSM_AUTO_OSD），11（PSM_SPARSE_TEXT）或12（PSM_SPARSE_TEXT_OSD）下，都无法正确识别下标/上标。

在输出中，sub / sup-fragments或多或少是错误的：

• “ Subtext _Sub ”被识别为“ Subtextsu”，
• “ Suptext ^Sub ”被识别为“ Suptexts？”
• “ P ₀ ”被识别为“ Po”
• “ P ₁₀₀ ”被识别为“ P1go”
• “ a ² + b ² ”被识别为“ a + b？”

将Tesseract用于OCR是否可以...？

1. 优化下标/上标处理
2. 获取有关已识别下标/上标的信息（在hocr输出中-理想情况下是每个字符）

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）