文字認識は漢数字の「一」と表の横線をどう区別しますか

一枚の画像から短い横棒だけを切り出すと、漢数字の「一」か罫線の一部か決められないことがあります。左右や上下まで見ると、表の端から端まで続くのか、一文字の間隔でほかの活字と並ぶのかが分かります。

ページの構造を先に読む

文字認識には、表や段組みを検出する処理と、個々の字形を読む処理があります。Tesseractが公開する表検出の実装は、こうした問題をページ全体の配置から扱う例です。罫線と活字がかすれて接した史料では、線を一律に消すと文字まで失われます。

文字認識ソフトTesseractの表組み検出の実装