如何使用 Tesseract 获取图像文本 [关闭]

Posted 2023-04-17

【中文标题】如何使用 Tesseract 获取图像文本 [关闭]

【英文标题】：How to get text of image using Tesseract [closed]

【发布时间】：2021-05-01 03:15:45

【问题描述】：

我从我的 pdf 中得到这个裁剪的图像：

在预处理之后，这就是我将它提供给 Tesseract OCR 的方式

text = pytesseract.image_to_string(img, lang='eng')

但是 ocr'ed text 是空的。

编辑：

我加载完整图像并将其裁剪为此。裁剪后，我对其应用锐化滤镜，然后去除盐和胡椒

pages = convert_from_path("../data/2.pdf", fmt='JPEG',
                          poppler_path=r"D:\poppler-0.68.0\bin")

reader = easyocr.Reader(['en']) # need to run only once to load model into memory
for page in pages:

      page.save('image.jpg', 'JPEG')
      image = cv2.imread('image.jpg')
        
      img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
      img = img[cord[2]:cord[3], cord[0]:cord[1]]
      kernel = np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])
      img = cv2.filter2D(img, -1, kernel)
      img = cv2.medianBlur(img, 3)
      text = pytesseract.image_to_string(img)

此图像是 PDF 的一部分。 PDF 转换为 jpg 然后再次加载，然后通过给出 BB 坐标将这部分裁剪掉。

编辑： 使用下面的示例，这是预处理后的输出：

但它打印的 ocr'ed text 输出仍然关闭：

AQ@O FCI

【问题讨论】：

这个问题正在Meta Stack Overflow cc @GinoMempin 上讨论

你的代码会给你一个 IndentationError - 所以这不是你正在运行的。

这对 SO 来说真的不是一个好问题。您的代码有效 - 只是 tesseract 完成的 OCR 并没有达到您的大脑可以做的“标准” - 大惊喜。要进行的预处理的选择高度依赖于输入 - 对一张图像有效的方法可能适用于其他图像，也可能不适用于其他图像。讨论预处理要做的事情更像是一个教程，而不是可以/应该在这里完成的事情。我建议研究预处理图像方法 - 甚至还有更早的帖子这样做：tesseract ocr

其他一些可能对您有所帮助的 ocr 问题：***.com/questions/54940022/…，***.com/questions/60624019/…，***.com/questions/64099248/…，***.com/questions/9480013/…，...（谷歌与：ocr dilatate erode 改进网站： ***.com)

已编辑：重新包含斑点图像（没有此 Q 没有意义）并修复了 IndentationError（早期版本没有它 - 所以可能是由编辑引起的）

【参考方案1】：

我有一个两步解决方案

---

先膨胀再腐蚀 (Closing)

应用阈值。

---

现在我们为什么要先膨胀再腐蚀？

正如我们所见，输入图像由每个字符周围的伪影组成。应用关闭操作将减少工件。

文物减少了，但并未完全消失。因此，如果我们申请adaptive-threshold，结果将是：

现在图片适合阅读了：

AOF CIF

代码：

---

import cv2
from pytesseract import image_to_string

img = cv2.imread("7UGLJ.png")
gry = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
(h, w) = gry.shape[:2]
gry = cv2.resize(gry, (w*2, h*2))
cls = cv2.morphologyEx(gry, cv2.MORPH_CLOSE, None)
thr = cv2.adaptiveThreshold(cls, 255, cv2.ADAPTIVE_THRESH_MEAN_C,
                            cv2.THRESH_BINARY, 41, 10)
txt = image_to_string(thr)
print(txt)

【讨论】：

这个问题可能跑题了，但是如何选择特定的图像处理步骤来应用呢？是命中和审判吗？或通过经验学习

图像更清晰，但没有打印出来

你的 pytesseract 版本是什么？也许你应该更新

'0.3.7' .......

@PatrickArtner 对不起，我期待的输出为 print(pytesseract.get_tesseract_version())，即 4.1.1。你是对的，谢谢你的警告。下次我会更小心的。