Pytesseract 设置字符白名单

Posted 2023-04-17

【中文标题】Pytesseract 设置字符白名单

【英文标题】：Pytesseract set character whitelist

【发布时间】：2017-09-28 01:32:41

【问题描述】：

有人知道如何设置 Pytesseract 的字符白名单吗？我希望它只输出 A-z 和 0-9。这可能吗？我有以下内容：

img = Image.open('test.jpg')
result = pytesseract.image_to_string(img, config='-psm 6')

我正在获取其他字符，例如 / 表示 1，因此我想限制可能字符的选项。

【参考方案1】：

您可以使用下面的行来完成此操作。或者你可以设置 tesseract 的配置文件来做同样的事情 Limit characters tesseract is looking for

pytesseract.image_to_string(question_img, config="-c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyz -psm 6")

我确信还有其他方法可以让它发挥作用，但这对我有用。

【讨论】：

供将来参考：tessedit_char_whitelist 的值区分大小写，因此要捕获aA-zZ0-9，您需要完整的01234567890ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz

@Cole 上述答案是否仍然有效？我尝试了pyt.image_to_data(im_gray_res, lang='eng', config='-c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ --psm 11 --oem 3')，但对于I 和l 对于I 仍然得到结果|？

@SKR 你在tessedit_char_whitelest 中包含了I 和1，所以这是意料之中的。您可能会将白名单与黑名单混淆？

@Cole 我认为白名单意味着指示 tesseract 只给出集合中的字符的结果，对吧？我得到了结果，管道字符 | 和小写字母 L l。这就是我提到的，我仍然从集合之外获得结果。

@SKR 哦，我明白你的意思了。可悲的是，我不知道为什么会这样。我建议在这里打开一个新问题，有人可能知道:-)