bug(default): top line doesn't recognize in default mode

[Kristinita]

1. Summary

Tesseract doesn't recognize top line of my PDF file in default mode.

If --psm 6, Tesseract recognize it.

2. Data

• KiraProcessedTIF.tif — TIF image
• KiraSuperhero.pdf — PDF, created by Tesseract
• KiraSuperheroForComparing.pdf — PDF with correct OCR for comparing. I convert TIF to PDF via XNViewMP with compressing → add OCR, use free version of PDF X-Change Editor
• KiraTIFWithImages.tif — TIF, that contain text and images

3. Steps to reproduce

I download 64-bit Windows version from here, how described in official Tesseract wiki → in installation process I select Russian (rus) additional language → I install Tesseract → I add path with tesseract.exe as user PATH environment variable → I run command:

tesseract KiraProcessedTIF.tif stdout -l rus

4. Expected behavior

Top line recognize.

If KiraSuperheroForComparing.pdf:

Or --psm 6:

D:\SashaDebugging\KiraGoddess>tesseract KiraProcessedTIF.tif stdout -l rus --psm 6
Page 1
Алан Мур ………….. ии ниниииннининние: 140
Нил Гейман ………… ини, 160
Марк Миллар …. иен: 188
Глава 5. Суперзлодеи ……………иеииеиенин. 180
Глава 6. Миф и идеология комиксов

о супергероях. Мифология ……………..ииеииииииие. 198
«Я — миф»: самоосмысление комикса

о супергерое ………………. ини: 200
Идеология …… и… 41
Идеология в комиксах о супергерое

«Золотого века»………. нии .. 816
Вторая мировая война

и колониальные амбиции США

в комиксах о супергероях……………. ини. 827
Образ врага в комиксах о супергероях ………………. 888
Образ США как империи………………… 4… 240
Колониальные мотивы в комиксах……………4…. 241
Идеология периода Холодной войны

в комиксах о супергероях…………..еииииинние: 894
Социокультурная функция супергероев

после 1990 года ……. ни-ни 298
Вместо заключения:

супергерой за пределами США ……………………….. 296
Список литературы………. иене. 309
♀

(Letters instead of dots is not expected behavior, but it for separate issue)

5. Actual behavior

Else default mode:

    top line does't recognize.

D:\SashaDebugging\KiraGoddess>tesseract KiraProcessedTIF.tif stdout -l rus
Page 1
Нил Гейман ……………. ии ниининининни 160
Марк Миллар …. 4. ии иааииииининье 163
Глава 5. Суперзлодеи ………. ина ииииинининии 180

Глава 6. Миф и идеология комиксов
о супергероях. Мифология …………… и ииииниииинния 198

«Я — миф»: самоосмысление комикса
о супергерое ……………….. линии нии ниииенннь 200

Идеология …… ини ина 211

Идеология в комиксах о супергерое
«Золотого века» ……… иене ннани 216

Вторая мировая война
и колониальные амбиции США

в комиксах о супергероях………….. линии 227
Образ врага в комиксах о супергероях ………………. 232
Образ США как империи…………………… ини 240
Колониальные мотивы в комиксах……………… иене: 241

Идеология периода Холодной войны
в комиксах о супергероях…………… ини 254

Социокультурная функция супергероев
после 1990 года ……… и-нете 292

Вместо заключения:
супергерой за пределами США ……………… ленные 296

Список литературы………. ин иниииииниишиниии 309
♀

• KiraSuperhero.pdf:

tesseract KiraProcessedTIF.tif KiraSuperhero -l rus pdf

6. Not helped

6.1. Use --psm 6

Books, to which I want to add OCR layer, may contains images. In this case, --psm 6 add more garbage to OCR layer.

KiraTIFWithImages.tif — is example.

Compare:

D:\SashaDebugging\KiraGoddess>tesseract KiraTIFWithImages.tif stdout -l rus+eng
Page 1
(The Shadow), имев-
ший огромное коли-
чество различных
масок для перево-
площения, или Але-
хандро де ла Вега —
знаменитый борец
со злом по прозвищу Зорро. Им и другим подобным
персонажам супергерои обязаны сюжетом о скры-
той жизни — так называемой «двойной идентично-
cTu» (double identity).



2. Американский фольклор также служил
источником сюжетов. Речь, прежде всего, о леген-
дарных Дэви Крокете, Майке Финке, Ките Карсоне
и других. Истории о них распространялись в устной
традиции, а позже стали печататься и в палп-жур-
налах. Там же публиковались

р С

DOC ie | приключенческие — истории

ДО ee att) o
Preys о людях невероятнои силы,

например, о Докторе Савад-
xe (Doc. Savage), Гладиато-
ре и других. Это отразилось
на образе будущих супер-
героев — например, гипер-
трофированная мускулатура
была одним из их обязатель-
ных атрибутов.



47
♀

and

D:\SashaDebugging\KiraGoddess>tesseract KiraTIFWithImages.tif stdout -l rus+eng --psm 6
Page 1
(The Shadow), имев- 1, ао А м
ший огромное коли- бов yi a
чество различных epee a я
масок для перево- ВР ых Sy
площения, или Але- В aa =
хандро де ла Вега — “y хм. 1: aay:
знаменитый борец и
со злом по прозвищу Зорро. Им и другим подобным
персонажам супергерои обязаны сюжетом о скры-
той жизни — так называемой «двойной идентично-
cTu» (double identity).

2. Американский фольклор также служил
источником сюжетов. Речь, прежде всего, о леген-
дарных Дэви Крокете, Майке Финке, Ките Карсоне
и других. Истории о них распространялись в устной
традиции, а позже стали печататься и в палп-жур-
eeeeremmmmnenene Налах. Там же публиковались
DOC ie | приключенческие — истории

тЫ ит. о людях невероятной силы,

~ ia например, о Докторе Савад-

‚ @ xe (Doc. Savage), Гладиато-

=. we 5. ре и других. Это отразилось
—: ian на образе будущих супер-

м’. а A героев — например, гипер-
Ш | (: трофированная мускулатура
Ae fi была одним из их обязатель-

МЕРЕ ных атрибутов.
47
♀

More OCR garbage in second case.

7. Environment

• Windows 10 Enterprise LTSB 64-bit EN

D:\SashaDebugging\KiraGoddess>tesseract --version
tesseract v5.0.0-alpha.20190708
 leptonica-1.78.0
  libgif 5.1.4 : libjpeg 8d (libjpeg-turbo 1.5.3) : libpng 1.6.34 : libtiff 4.0.9 : zlib 1.2.11 : libwebp 0.6.1 : libopenjp2 2.3.0
 Found AVX2
 Found AVX
 Found SSE
 Found libarchive 3.3.2 zlib/1.2.11 liblzma/5.2.3 bz2lib/1.0.6 liblz4/1.7.5

Thanks.

[stweil]

Again this is not a Windows specific problem, but a problem of Tesseract in general.

Please post only issues which are special for the Windows version here.

[Kristinita]

@stweil , Type: reply 💬

1. Reasons

I haven't Linux or MacOS on my machine; Windows solely. I'm not sure, that the problem will reproduce on another platforms.

2. Further issues

I will post possible further issues to general Tesseract issue tracker. This is normal?

Thanks.