pytesseract：良好的 OCR 或良好的线条 - 绝不会两者兼而有之

Posted 2023-04-17

【中文标题】pytesseract：良好的 OCR 或良好的线条 - 绝不会两者兼而有之

【英文标题】：pytesseract: good OCR or good Lines - never both

【发布时间】：2019-10-20 08:44:41

【问题描述】：

我正在使用 pytesseract（tesseract 版本 3.05）到 OCR（光学字符识别）以数字方式创建的打印 PDF 账单。我对其进行预处理以去除任何颜色并将其设置为纯黑白和 600 DPI。这是专有信息，所以我不能在这里发布，但请相信我 - 它非常直截了当且非常清晰。

在处理图像时，我一直在使用各种页面分割模式 (PSM)。

一些 PSM（例如 11 和 12）出色地识别字符 - 几乎完美 - 但单行会变成多行，并且经常会被打乱，使得数据解析在功能上是不可能的。

其他 PSM（例如 3 和 4）保持完美的线条（这有助于数据解析），但 OCR 很糟糕（插入空格，破折号变成撇号，'l' 会变成 '1' 甚至“我”等）。

我已经尝试了所有 PSM，但找不到可以让我保持线条和质量 OCR 的版本。

是否有额外的转盘可以让我同时进行这两种操作，并可能进一步提高生成文本的质量？

代码：

psm_version = 3
text        = pytesseract.image_to_string(b_w_file, lang = 'eng', config = '-psm '.format(psm_version))

【问题讨论】：

没有示例图片无法提供帮助。

并非不可能，但无疑更难。我希望有人对 py/tessearct 有一些经验，知道这个问题，并且可以在没有图像的情况下提供指导。我会尝试发布一张图片，以便尽快编辑相关数据。

【参考方案1】：

我不熟悉 pytesseract，但我已经相当广泛地使用 C# 端口。我正在喂它 .tiffs，具有讽刺意味的是，我制作的 .tiff 的 DPI 越高，Tesseract 的性能似乎就越差。我找到了 119 DPI 的最佳位置。我发现可行的解决方案是创建两个 .tiff，1 个用于输出的高 DPI 和 1 个提供给 Tesseract 的低 DPI。我让 Tesseract 迭代器将其找到的边界框的坐标传递给我，然后我在更高 DPI .tiff 上使用这些坐标来做我想做的事情。它不是最有效的过程，所以我已经转向其他选项并且不再拥有代码。希望这会有所帮助！

【讨论】：

哇，119，很奇怪。你还记得你使用的 PSM 吗？

我不得不返回并查看 github 以获取 PSM 描述，但它可能是 3 或 2。我认为降低 DPI 有助于它更容易识别事物，而 PSM 保持我的格式，如上所述。

嗯，谢谢你的建议，但不幸的是它没有帮助。 119 DPI 的字体几乎难以辨认，OCR 似乎随着 DPI 的增加呈线性改善。不幸的是，我的电脑没有内存来处理超过 600 的任何东西，所以表盘完全转动了。