如何在 Python 中使用 tesseract 获得图像中最大的文本？

Posted 2023-04-17

【中文标题】如何在 Python 中使用 tesseract 获得图像中最大的文本？

【英文标题】：How do I get the largest text in an image using tesseract in Python?

【发布时间】：2021-06-22 00:08:45

【问题描述】：

我正在尝试提取 PDF 文件的标题。文件的元数据并没有真正的帮助。所以我正在考虑将每个 PDF 文件的第一页转换为图像并使用 Tesseract 读取此图像。我可以假设图片上最大的文字是标题。

我使用fitz 阅读 PDF 并加载要存储为图像格式的第一页。

import fitz

doc = fitz.open(filename)
page = doc.loadPage(0)
pix = page.getPixmap()
pix.writePNG("output.png")

然后我使用 OpenCV 读取图像文件，将其放入 tesseract，并在检测到的单词上放置边界框。

filename = 'output.png'

img = cv2.imread(filename)
h, w, _ = img.shape

boxes = pytesseract.image_to_boxes(img) # also include any config options you use

for b in boxes.splitlines():
    b = b.split(' ')
    img = cv2.rectangle(img, (int(b[1]), h - int(b[2])), (int(b[3]), h - int(b[4])), (0, 255, 0), 2)

cv2.imshow(filename, img)
cv2.waitKey(0)

我对 OCR tesseract 不是很熟悉，所以这就是我卡住的地方。如何获取具有最大边界框的文本？

我的 PDF 文件主要是科学论文/期刊。这样你就知道我的文件是什么样子了。

谢谢。

【问题讨论】：

对于任意输入，我想，很难找到通用的解决方案。即使是科学研究论文的外观也千差万别。不要使用pytesseract.image_to_boxes，您应该使用形态学操作（例如关闭）来查找标题的候选边界框，然后检查x、y 坐标、宽度和高度以找到最佳候选者。有了那个边界框，您可以简单地在该子图像上使用pytesseract.image_to_string。但同样，如果没有看到您的一些示例，就不可能提供解决方案。

【参考方案1】：

通常 Tesseract 将 OCR 运算结果作为嵌套结构返回，如下所示：

块 线 单词 字符（仅在 Tesseract 3 中，对于 Tesseract 4，您只有单词框）

使用pytesseract.image_to_data 你应该得到关于行/单词索引的数据。

我的建议是遍历每一行的单词，找到平均字高最大的那一行，这很可能是论文的标题。

请参考this answer查看获取词框的方法