tesseract 5.0.0 返回混合数字和字母的无意义结果

Posted 2023-04-17

【中文标题】tesseract 5.0.0 返回混合数字和字母的无意义结果

【英文标题】：pytesseract 5.0.0 returns non sense results for mix numbers and letters

【发布时间】：2019-12-25 12:49:36

【问题描述】：

问题：

我想从这些图像中提取由字母和数字混合而成的文本：

可以看出，图像可能有不同的方向，有时它们会包含噪点，例如第一个带有一些白色圆圈的图像，依此类推。但文本始终以字母“BF”开头，后跟 10 位数字。我认为tesseract 应该很容易做到这一点。还是不行！！

解决方法 t 我已经累了。首先是 pytesseract 版本，因为从我搜索的内容来看它似乎很重要（使用 Python 3.7.3）：

import pytesseract
pytesseract.get_tesseract_version()
'5.0.0-alpha.20190708'

从this answer 和this one 开始，我尝试了一些应该可以使用混合数字和字母的配置，如下所示：

from PIL import Image
import pytesseract
print(pytesseract.image_to_string(Image.open('image.jpg')), config='tessedit_char_whitelist=01234ABCDEF'))

但结果：

第一张图片：'SALT LB:\n\nbe) be)' 第二张图片：'' 第三张图片：'OS26S0S061 38'

这太可怕了。我尝试了各种配置组合，但没有任何效果！我还确认这些文本可以通过免费在线版的在线认知服务（如Azure Cognitive Services）轻松提取，所以图像本身不是问题，我想我在pytesseract 中使用正确的配置或可能最新版本有错误！ ！

【参考方案1】：

image processing to improve tesseract OCR accuracy 或 ImproveQuality 可能还有 Accuracy difference between Tesseract and others