tesseract 的 OCR 结果高度不一致

Question

这是原始屏幕截图，我将图像裁剪为 4 部分，并尽可能清除图像的背景，但 tesseract 仅检测此处的最后一列并忽略其余部分。

tesseract 的输出显示为存在我在处理结果时删除的空格

  Femme—Fatale.



  DaRkLoRdEIa
  aChineseN1gg4

  Noob_Diablo_

tesseract 的输出显示为存在我在处理结果时删除的空格

Kicked.

NosNoel
ChikiZD
Death_Eag|e_42

Chai—.

3579 10 1 7 148

2962 3 O 7 101

2214 2 2 7 99

2205 1 3 6 78

我只是转储

的输出

result = `pytesseract.image_to_string(Image.open("D:/newapproach/B&W"+str(i)+".jpg"),lang="New_Language")`

但我不知道如何从这里开始获得一致的 result.Is 无论如何，这样我就可以强制 tesseract 识别文本区域并使其在训练器中扫描 that.Because ( SunnyPage)，tesseract 在默认识别扫描时无法识别某些区域，但是一旦我 select 手动检测到所有内容并正确翻译成文本

Code

Answer 1

我的建议是对整张图片进行OCR。

我已经对图像进行了预处理以获得灰度图像。

import cv2
image_obj = cv2.imread('1D4bB.jpg')
gray = cv2.cvtColor(image_obj, cv2.COLOR_BGR2GRAY)
cv2.imwrite("gray.png", gray)

我有运行终端图像上的 tesseract，在这种情况下准确度似乎也超过 90%。

tesseract gray.png out

3579 10 1 7 148
3142 9 o 5 10
2962 3 o 7 101
2214 2 2 7 99
2205 1 3 6 78
Score Kills Assists Deaths Connection
8212 15 1 4 4o
7198 7 3 6 40
6307 6 1 5 60
5640 2 3 6 80
4884 1 1 5 so

以下是一些建议 -

不要直接使用 image_to_string 方法，因为它会将图像转换为 bmp 并以 72 dpi 保存。
如果您想使用 image_to_string 然后覆盖它以 300 dpi 保存图像。
您可以使用run_tesseract方法，然后读取输出文件。

我运行 OCR 的图像。

Another approach for this problem can be to crop the digits and deep to a neural network for prediction.

Answer 2

我认为您必须先对图像进行预处理，对我有用的更改是：假设

import PIL
img= PIL.Image.open("yourimg.png")

把图片调大一点，我一般都是放大一倍。

img.resize(img.size[0]*2, img.size[1]*2)
对图像进行灰度化

img.convert('LA')
让字符更粗，你可以在这里看到一种方法：https://blog.c22.cc/2010/10/12/python-ocr-or-how-to-break-captchas/ 但是这种方法相当慢，如果你使用它，我建议使用另一种方法
Select，反选，黑色填充，白色使用gimpfu

图片=pdb.gimp_file_load（文件，文件）图层 = pdb.gimp_image_get_active_layer（图像）替换= 2 pdb.gimp_by_color_select(图层,"#000000",20,REPLACE,0,0,0,0) pdb.gimp_context_set_foreground((0,0,0)) pdb.gimp_edit_fill（图层，0） pdb.gimp_context_set_foreground((255,255,255)) pdb.gimp_edit_fill(图层,0)

pdb.gimp_selection_invert（图片） pdb.gimp_context_set_foreground((0,0,0))

Answer 3

尝试使用命令行，我们可以选择使用哪个 psm 值。

你能试试这个吗:

pytesseract.image_to_string(image, config='--psm 6')

用你提供的图片试过，结果如下：

Extracted Text Out of Image

我面临的唯一问题是我的 tesseract 字典正在将您图像中提供的“1”解释为“我”。

下面是可用的 psm 选项列表：

pagesegmode 值为： 0 = 仅方向和脚本检测 (OSD)。

1 = 使用 OSD 自动分页。

2 = 自动页面分割，但没有 OSD 或 OCR

3 = 全自动页面分割，但没有 OSD。（默认）

4 = 假定单列文本大小可变。

5 = 假设单个统一的垂直对齐文本块。

6 = 假设一个统一的文本块。

7 = 将图像视为单个文本行。

8 = 将图像视为一个单词。

9 = 将图像视为圆圈中的单个单词。

10 = 将图像视为单个字符。

Answer 4

我用过这个link

https://www.howtoforge.com/tutorial/tesseract-ocr-installation-and-usage-on-ubuntu-16-04/

只需使用以下命令即可将准确度提高 50%`

sudo apt update

sudo apt install tesseract-ocr

sudo apt-get install tesseract-ocr-eng

sudo apt-get install tesseract-ocr-all

sudo apt install imagemagick

convert -h

tesseract [image_path] [file_name]

convert -resize 150% [input_file_path] [output_file_path]

convert [input_file_path] -type Grayscale [output_file_path]

tesseract [image_path] [file_name]

只会显示粗体字

谢谢

Answer 5

fn = 'image.png'
img = cv2.imread(fn, 0)
img = cv2.bilateralFilter(img, 20, 25, 25)
ret, th = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
# Image.fromarray(th)
print(pytesseract.image_to_string(th, lang='eng'))

tesseract 的 OCR 结果高度不一致

Highly inconsistent OCR result for tesseract

python

opencv

python-tesseract

pytesser

Code