Tesseract 无法读取这个极其简单的数字字符串

Posted 2023-04-17

【中文标题】Tesseract 无法读取这个极其简单的数字字符串

【英文标题】：Tesseract has trouble reading this extremely simple string of numbers

【发布时间】：2013-11-25 22:12:38

【问题描述】：

我目前正在用 python 编写一个脚本，它需要使用 tesseract 来读取这样的数字：

仅使用数字和 -psm 6（或 7）输出 5.551

我在其他数字上取得了一些成功（5.700 作品），但这个特定的数字给我带来了很多问题。不幸的是，我的程序需要高度的准确性，但我认为 tesseract 能够破译这样一个简单的字符串。

我也尝试使用 GOCR，它正确读取 6.881（耶！），但输出 5._00 为 5.700（嘘！）

知道为什么会这样做吗？

或者更重要的是，我可以做任何事情来解决这个问题（最好不用训练 tesseract）。

【参考方案1】：

我使用 Imagemagick 将其大小加倍并删除了透明度（将其替换为白色）（如果需要，您可以使用其他东西），并且 Tesseract OCR 正确地对增强后的图像进行了处理：

$ convert I1Zau.png -background white -flatten -resize 200% I1Zau_2.png
$ tesseract I1Zau_2.png o.txt
$ cat o.txt.txt 
6.881

【讨论】：

太棒了，我会用更多的数字来测试它，看看会发生什么。

@Loocid：我想补充一点，我最近也在使用 Tesseract，我今天发现使用 Imagemagick 预处理文件（去除压缩伪影并将大小翻倍）大大增加了准确性。

【参考方案2】：

欢迎来到 OCR 的世界！不幸的是，即使是那些简单的情况，对于基本的 OCR 应用程序也可能存在问题。我已经成功使用的一种解决方法是实际上使您的图像更大（使用 imagemagick），然后输入 Tesseract。这只能在一定程度上起作用。您还可以尝试对图像进行形态学操作的标准策略。

根据您的总体要求（数字是否始终采用此字体/大小，背景是否嘈杂等...）您可能需要手动将每个数字设为单独的图像，以确保 Tesseract 可以处理字体类型您正在使用。如果它不能在个位数上工作，那么它不太可能在你通过它的其他任何东西上工作。

【讨论】：

反过来对我有用：我需要顶部使图像更小。

数字将始终采用与上述相同的格式，只是位数有所不同（最多 5 位）。我会玩一下 imagemagick，看看能不能找到 Tesseract 喜欢的设置。

【参考方案3】：

图像分辨率太低。简单地重新缩放到 300 DPI 对我来说已经产生了正确的结果。