如何使用 OCR 从低分辨率图像中获得更好/准确的结果

Posted 2023-04-17

【中文标题】如何使用 OCR 从低分辨率图像中获得更好/准确的结果

【英文标题】：How to get better/accurate results with OCR from low resolution images

【发布时间】：2018-11-24 12:07:25

【问题描述】：

我在python 中编写了一个脚本，使用pytesseract 将文本嵌入到图像中。当我运行我的脚本时，刮板的工作很奇怪，这意味着我得到的文本与图像中的文本完全不同。

我尝试过的脚本：

import requests, io, pytesseract
from PIL import Image

response = requests.get('http://skoleadresser.no/4DCGI/WC_Pedlex_Adresse/864928.jpg')
img = Image.open(io.BytesIO(response.content))
imagetext = pytesseract.image_to_string(img)
print(imagetext)

图片中的文字如下：

我得到的结果：

Adresse WM 0an Hanssensm 7 A
4u21 Slavanqer

warm 52 m so no

Te‘efaks 52 m 90 m

E'Dus‘x Van’s strandflanlmu

我怎样才能得到准确的结果？

【问题讨论】：

是编码吗？

不，我想不是，因为当我尝试在本地打印该图像中的文本时，结果仍然相同。

我没有投反对票，但我同意任何投反对票的人都应该提供理由。

【参考方案1】：

tl;博士：

import requests
import io
import pytesseract
from PIL import Image

response = requests.get('http://skoleadresser.no/4DCGI/WC_Pedlex_Adresse/864928.jpg')
img = Image.open(io.BytesIO(response.content))
width, height = img.size
new_size = width*6, height*6
img = img.resize(new_size, Image.LANCZOS)
img = img.convert('L')
img = img.point(lambda x: 0 if x < 155 else 255, '1')
imagetext = pytesseract.image_to_string(img)

print(imagetext)

结果：

地址 Olav Hanssens vei 7 A 教授 4021斯塔万格

电话 52 70 90 00

Telefaks 52 70 90 01

E-post [e-mail]

说明/方法

OCR 旨在扫描打印、手写或打字文档中的字母，这些文档以高分辨率扫描，基本上没有模糊 - 也许存在一些专门用于扫描低分辨率数字图像和大量模糊，但通常他们无法以任何合理的速率从此类输入数据中猜测字母 - 它太模糊且像素太少，OCR 工具无法利用这些数据做出有用的事情。

这听起来好像几乎没有机会让它工作 - 只是在没有任何进一步处理的情况下放大它并不能解决问题，正如您稍后会看到的那样，图像仍然距离太远类似于键入/打印的文本。

我对缩放因子做了一些试验和错误，发现 6 最适合这张图片，所以：

width, height = img.size
new_size = width*6, height*6

在不进行任何重采样的情况下将其放大 6 倍：

img = img.resize(new_size)

给我们这个图像，它非常没用，因为它基本上与以前完全相同的不可读图像，只是 1px*1px 现在是 6px*6px（注意几乎在字母之间相交的灰色区域 - 特别是 Pr , s 和 k 会导致大问题）：

幸运的是，有一些重采样公式给出了非常好的结果，对于 PIL，有PIL.Image.LANCZOS（其中包括）应用了Lanczos resampling formula：

img = img.resize(new_size, Image.LANCZOS)

一开始可能看起来差异并不大 - 但现在我们对字母进行了更好的填充，而不是那些黑色和灰色块 - 并且我们可以在下一步中使用更自然的模糊。现在看看Pr、s 和k，我们发现它们不再如此相交了。

接下来需要做什么才能使图像看起来更像是实际打印的文档，通过消除模糊使其变为黑白 - 第一步是使图像与 mode L（8 位像素 b /w)

img = img.convert('L')

当然几乎没有区别，因为源图像是白色背景上的黑色文本 - 但您仍然需要此步骤才能使用亮度阈值将其转换为黑白图像。

这是通过通过 8 位值评估图像中的每个像素来完成的 - 开始尝试的一个好的值是 128，它是 50% 黑色：

img = img.point(lambda x: 0 if x < 128 else 255, '1')

这给我们的文本太细了 - OCR 工具会将大多数 5 识别为 S，而将一些 0 识别为 O：

现在将亮度阈值设置为200，我们得到以下图像：

OCR 工具可以处理此文本，因为它看起来就像一个粗体字体 - 但如前所述，OCR 工具旨在扫描正常打印的文本，因此它可能无法识别图像中的实际粗体文本，因为与普通文本相比，它太粗了。

让我们将阈值设置在 128 和 200 之间的某个位置，以便我们得到看起来自然的打印文本 - 通过反复试验，我发现 155 工作得很好，并且看起来一样字体粗细与原图相同：

由于这看起来非常像对打印质量差的黑白文档的高分辨率扫描，因此 OCR 工具现在可以正常工作。