tesseractをスピードアップする方法OCR

Question

私は多くのドキュメントをOCRしようとしています（私は300k +の範囲で1日を意味します）。現時点では、私はTesseract wrapper for .NETを使用していますが、品質はすべて良いですが、スピードが十分ではありません。私が平均20回の同じ仕事をしているpdfからの半分のページの平行スキャンでは、スキャンあたり2,546秒です。コードを使用して：

using (var engine = new TesseractEngine(Tessdata, "eng", EngineMode.TesseractOnly)) 
     { 
      Page page; 
      page = engine.Process(image, srcRect);   
      var text = page.GetText(); 
      return Task.FromResult(text); 
     } 

私が得る平均時間は、画像の解像度を半分に下げてからグレースケールに変換した後です。どのようなアイデアは、プロセスをスピードアップするには？テキストを分割する必要はありません。テキストは1行に収められます。 Matlab for c#?

Answer 1

現在、スキャンするページごとに新しいTesseractEngineオブジェクトを作成します。エンジンを作成すると、 'tessdata'ファイルが読み込まれるため、コストが高くなります。

20種類の並列タスクが実行されているとします。エンジンは複数のページを一度に処理することができないため、タスクごとに1つのエンジンを作成し、そのタスクが処理するすべてのページに再利用する必要があります。既存のエンジンで次のページを処理するには、単にusing (var page = Engine.Process(pix))と呼ぶことができます。

エンジンを再利用すると、300kではなく20台のエンジンを作成すれば済むので、パフォーマンスが大幅に向上します。