如何使用 Pytesseract 文本识别改进 OCR？

Posted 2023-04-17

【中文标题】如何使用 Pytesseract 文本识别改进 OCR？

【英文标题】：How to improve OCR with Pytesseract text recognition?

【发布时间】：2020-06-22 17:28:25

【问题描述】：

您好，我希望使用 pytesseract 提高我在数字识别方面的表现。

我将原始图像分割成如下所示的部分：

大小可以变化。

为此，我应用了一些类似这样的预处理方法

image = cv2.imread(im, cv2.IMREAD_GRAYSCALE)
image = cv2.GaussianBlur(image, (1, 1), 0)
kernel = np.ones((5, 5), np.uint8)
result_img = cv2.blur(img, (2, 2), 0)
result_img = cv2.dilate(result_img, kernel, iterations=1)
result_img = cv2.erode(result_img, kernel, iterations=1)

我明白了

然后我将它传递给 pytesseract：

num = pytesseract.image_to_string(result_img, lang='eng',
                                     config='--psm 10 --oem 3 -c tessedit_char_whitelist=0123456789')

但这对我来说还不够好，而且经常弄错数字。

我正在寻找改进的方法，我试图保持最小化和独立，但如果我不清楚，请告诉我，我会详细说明。

谢谢。

【问题讨论】：

腐蚀步骤给你什么？我会先进行模糊处理，然后再压缩动态范围，也就是说，大多数浅色变为白色，大部分深色变为黑色，为灰色留下一个相当狭窄的区域，只是为了减少边框的锯齿。跨度>

您能告诉我如何进行动态范围的压缩吗？事实上，您能否拍摄最上面的图像并向我展示您将如何处理它以使其被 tesseract 识别？如果你这样做，请给出答案，以便我接受！

【参考方案1】：

通过尝试在执行 OCR 之前对图像进行预处理但使用了不正确的方法，您走在了正确的轨道上。没有理由扩大或侵蚀图像，因为这些操作主要用于去除小的噪声粒子。此外，您当前的输出不是二进制图像。它可能看起来只包含黑白像素，但它实际上是一个 3 通道 BGR 图像，这可能是您得到不正确 OCR 结果的原因。如果您查看Tesseract improve quality，您会注意到为了让 Pytesseract 执行最佳 OCR，需要对图像进行预处理，以便 要检测的所需文本为黑色，背景为白色。为此，我们可以执行Otsu's threshold 获得二进制图像，然后将其反转，使文本位于前景中。这将产生我们的预处理图像，我们可以将其放入image_to_string。我们使用--psm 6 配置选项来假设一个统一的文本块。查看configuration options 了解更多设置。结果如下：

输入图像->二进制->反转

Pytesseract OCR 的结果

8

代码

import cv2
import pytesseract

pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

# Load image, grayscale, Otsu's threshold, invert
image = cv2.imread('1.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
invert = 255 - thresh

# OCR
data = pytesseract.image_to_string(invert, lang='eng', config='--psm 6')
print(data)

cv2.imshow('thresh', thresh)
cv2.imshow('invert', invert)
cv2.waitKey()