pytesser 的成功率低？这是噪音问题，还是需要做其他事情？

Posted 2023-04-17

【中文标题】pytesser 的成功率低？这是噪音问题，还是需要做其他事情？

【英文标题】：Low success rate with pytesser? Is this an issue of noise, or is there something else that needs to be done?

【发布时间】：2012-08-09 01:14:04

【问题描述】：

我正在尝试从屏幕截图中检测几个大写字符。我使用 PIL 将其转换为黑白，然后使用 PyTesser 页面中的代码示例，在图像上运行 tesser.exe：

from pytesser import *
image = Image.open('fnord.tif') 
print image_to_string(image)     

我正在使用这张图片：

但它不会将其识别为 E，或者其他任何东西。我认为这是一个足够干净的捕获？顶部的噪音不会把它扔掉，对吧？

我有什么遗漏吗？

【问题讨论】：

我已经运行了显示Tesseract Open Source OCR Engine v3.02 with Leptonica 的命令行工具——没有psm 选项——我得到一个空文件。使用 -psm 10 这应该是“将图像视为单个字符” - 我得到 % 后跟两个换行符......

Limiting the characters tesseract looks for 过去帮助过我。

如果您尝试识别的大写字符采用独特的字体类型，如问题所示，那么没有太多理由依赖 tesseract。一些简单的拓扑特征和骨架信息可以直接解决这个问题。

【参考方案1】：

如果您担心噪点是否存在问题，请在 MSPaint 或类似工具中手动打开图像，去除噪点，然后通过 OCR 运行新图像。这是了解 OCR 引擎如何工作以及混淆它和不混淆的最佳方式。每个 OCR 引擎的工作方式都不同。

在这种情况下，也可能是少量的噪音也会混淆字符分区过程。您应该检查从 OCR 引擎返回的边界框值，以查看 OCR 引擎是否甚至在正确的位置查找您的单词或字符。

一些 OCR 引擎可以选择在 OCR 过程中去除图像中的噪点。这通常称为去斑或去噪。可以使用 Leptonica (http://www.leptonica.org) 去除噪音，它现在是最新的 Tesseract 图像的一部分。

屏幕字体对 OCR 引擎提出了很大的挑战，因为 DPI 通常非常低。在您的“E”的情况下，应该有足够多的像素被识别。沉重的冲程重量可能会使发动机感到困惑。

此外，商业引擎通常比 Tesseract 更准确，但也会带来昂贵的许可费用。