Améliorer les performances OCR sur les scanners multi-paragraphes

je travaille sur un projet qui implique l'extraction de textes scientifiques stockés en format PDF. Pour la plupart des papiers, Ceci est accompli assez facilement en utilisant PDFMiner, mais certains vieux papiers stockent leur texte comme de grandes images. Essentiellement, un papier est scanné et ce fichier image (typiquement PNG ou JPEG) comprend la page entière.

j'ai essayé d'utiliser le moteur Tesseract à travers il est python-tesseract les reliures, mais les résultats sont assez décevant.

avant de passer en revue les questions que j'ai avec cette bibliothèque, j'aimerais mentionner que je suis ouvert aux suggestions pour les bibliothèques OCR. Il semble y avoir peu de solutions Python natives.

Ici est une image (JPEG) sur laquelle j'essaie d'extraire du texte. I le code exact fourni dans les extraits d'exemple sur la page de code google de python-tesseract à laquelle j'ai fait référence ci-dessus. Je dois mentionner que la documentation est un peu clairsemée, il est donc tout à fait il est possible que l'une des nombreuses options de mon code soit mal configurée. Tout conseil (ou lien vers des tutoriels approfondis) serait très apprécié.

Ici est la sortie de mon essai à OCR.

Mes questions sont les suivantes:

1. y a-t-il quelque chose de sous-optimal dans le code que j'utilise? Est-il une meilleure manière de faire ceci? Une autre bibliothèque, peut-être?
2. quel type de prétraitement puis-je effectuer pour améliorer détection? Les images sont toutes en noir et blanc, mais est-ce que je devrais peut-être mettre un seuil et mettre n'importe quoi au-dessus de lui à une couleur noire de valeur simple et tout au-dessous de lui à une couleur blanche de valeur nulle? Quelque chose d'autre?
3. une question plus spécifique: peut-on améliorer la performance en effectuant la ROC sur des mots simples? Si oui, est-ce que quelqu'un peut suggérer une façon de délimiter des mots simples dans un fichier image (par exemple: celui lié ci-dessus) et de les extraire dans des images séparées qui peuvent être traitées indépendamment?
4. la présence de graphiques et d'autres images intégrées dans L'image de la page PDF peut-elle interférer avec la ROC? Dois-je enlever ces? Si oui, quelqu'un peut-il suggérer une méthode pour supprimer automatiquement?

EDIT: Pour simplifier, voici le code que j'ai utilisé.

import tesseract
api = tesseract.TessBaseAPI()
api.Init(".","eng",tesseract.OEM_DEFAULT)
api.SetPageSegMode(tesseract.PSM_AUTO)

mImgFile = "eurotext.jpg"
mBuffer=open(mImgFile,"rb").read()
result = tesseract.ProcessPagesBuffer(mBuffer,len(mBuffer),api)
print "result(ProcessPagesBuffer)=",result

et voici le code altératif (dont les résultats ne sont pas montrés dans cette question, bien que la performance semble être tout à fait similaire.)

import cv2.cv as cv
import tesseract

api = tesseract.TessBaseAPI()
api.Init(".","eng",tesseract.OEM_DEFAULT)
api.SetPageSegMode(tesseract.PSM_AUTO)

image=cv.LoadImage("eurotext.jpg", cv.CV_LOAD_IMAGE_GRAYSCALE)
tesseract.SetCvImage(image,api)
text=api.GetUTF8Text()
conf=api.MeanTextConf()

<!-Est-ce que quelqu'un pourrait expliquer les différences entre ces deux bribes?