为啥 pytesseract 无法识别背景较暗的图像中的数字？

Posted 2023-04-17

【中文标题】为啥 pytesseract 无法识别背景较暗的图像中的数字？

【英文标题】：Why does pytesseract fail to recognise digits from image with darker background?为什么 pytesseract 无法识别背景较暗的图像中的数字？

【发布时间】：2019-09-23 11:25:24

【问题描述】：

我有这个 python 代码，用于将写在图片中的文本转换为字符串，它适用于某些具有大字符的图像，但不适用于我现在尝试的仅包含数字的图像.

这是图片：

这是我的代码：

import pytesseract
from PIL import Image

img = Image.open('img.png')
pytesseract.pytesseract.tesseract_cmd = 'C:/Program Files (x86)/Tesseract-OCR/tesseract'
result = pytesseract.image_to_string(img)
print (result)

为什么无法识别这个特定的图像，我该如何解决这个问题？

【问题讨论】：

您可以尝试限制字符的样本空间，只允许数字作为输出。更多关于这个whitelisting characters in pytesseract

【参考方案1】：

我有两个建议。

首先，这是迄今为止最重要的，在 OCR 中预处理图像是获得良好结果的关键。在你的情况下，我建议二值化。你的图像看起来非常好，所以你应该没有任何问题，但如果你这样做了，那么也许你应该尝试对图像进行二值化：

import cv2
from PIL import Image

img = cv2.imread('gradient.png')
# If your image is not already grayscale :
# img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
threshold = 180 # to be determined
_, img_binarized = cv2.threshold(img, threshold, 255, cv2.THRESH_BINARY)
pil_img = Image.fromarray(img_binarized)

然后用二值化图像再次尝试 ocr。

检查您的图像是否为灰度图像，如果需要，请取消注释。

这是简单的阈值。自适应阈值也存在，但它很嘈杂，不会给您带来任何影响。

Tesseract 更容易处理二值化图像。这已经在内部完成 (https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality)，但有时事情可能会搞砸，而且通常自己进行预处理很有用。

您可以通过查看图像来检查阈值是否正确：

import matplotlib.pyplot as plt
plt.imshow(img, cmap='gray')
plt.imshow(img_binarized, cmap='gray')

其次，如果我上面所说的仍然不起作用，我知道这不能回答“为什么 pytesseract 在这里不起作用”，但我建议你试试 tesserocr。它是一个为 Tesseract 维护的 Python 包装器。

你可以试试：

import tesserocr
text_from_ocr = tesserocr.image_to_text(pil_img)

这是来自 pypi 的 tesserocr 的文档：https://pypi.org/project/tesserocr/

对于 opencv：https://pypi.org/project/opencv-python/

作为旁注，黑色和白色在 Tesseract 中被对称处理，因此黑色背景上的白色数字不是问题。

【讨论】：

感谢您提供宝贵的信息，我会检查一下，我知道有一个特定的配置，所以我可以得到我的结果，这个网站可以为我完成这项工作：smallseotools.com/image-to-text-converter 但我我正在尝试仅将 python 用于一个项目。

绝大多数在线 OCR（有些不错，但不是全部）工具在后台使用 Tesseract。这意味着您理论上可以自己做，但使用 Tesseract 可能非常困难，实际上通过找到正确的配置可以获得非常好的结果。尽管如此，即使是嘈杂的文档，您仍然可以获得不错的结果，并且由于您的图像非常好，您可能/应该能够获得清晰的结果。