PyTesseract - 将 OCR 限制为一组字符

Posted 2023-04-17

【中文标题】PyTesseract - 将 OCR 限制为一组字符

【英文标题】：PyTesseract - Restricting OCR to a set of characters

【发布时间】：2017-06-24 19:27:25

【问题描述】：

我在使用 pytesseract 时遇到问题。我知道您可以使用命令行参数将 tesseract 限制为一组特定的字符：

tesseract input.tif output nobatch digits

我发现一些人说他们可以在 python 中使用以下几行来限制 tesseract：

import tesseract
ocr = tesseract.TessBaseAPI();
ocr.Init(".","eng",tesseract.OEM_TESSERACT_ONLY)
ocr.SetVariable("tessedit_char_whitelist", "0123456789")

但这是为了使用 tesseract API，而我正在使用 pytesseract.... 最后我也尝试了：

print(image_to_string(someimage, config='outputbase digits'))

但这不起作用，因为我的输出中仍然有字母。这很奇怪，因为我正在使用下面的代码并且它正在工作：

print(image_to_string(screen, config='-psm 10'))

PSM 代表 PageSegmentationMode，它允许我将图像文件解析为单个字符。我不明白为什么这有效，而当它们都是 tesseract 的命令行参数时，sn-p 之前的无效...

谁能帮忙？我想将这两个选项与自定义单词列表（我在 tesseract 的配置文件夹中创建）一起使用。

【参考方案1】：

终于找到了解决方案，如果它可以帮助任何人...这是来自 tesseract 帮助页面：

tesseract 的最简单调用：

tesseract imagename outputbase

我可以从中推断出正确的语法（事实上，我在堆栈溢出中发现的所有内容几乎都将我指向了错误的方向，可能是因为不同版本的 tesseract）。请记住，我使用的是 tesseract 3.05（GitHub 上提供的 win 安装程序）和 pytesseract（从 pip 安装）。

image_to_string(someimage, config='digits -psm 7')

正如我们在帮助页面上看到的，outputbase 参数位于文件名之后和其他选项之前，这允许同时使用 PSM 和受限字符集。

tesseract 帮助页面中的所有命令行参数都可以这样使用，在 config 变量中！！

【讨论】：

您的配置字符串不正确。最后应该有配置。例如。 '-psm 7 位数字'

有没有办法只限制英文字母和数字？？