使用 Tesseract-OCR 和 OpenCV 进行土耳其语字符识别
Turkish character recognition using Tesseract-OCR and OpenCV
我正在尝试在 Python 中使用 Tesseract-OCR 和 OpenCV 检测图像（jpg 文件）的文本部分。图片的文本部分是土耳其语，因此我使用的是 Tesseract-OCR 文件中的 'Turkish trained data (tur)'。在使用 tesseract 之前，我已经应用膨胀和腐蚀来消除噪音。
问题是，虽然可以检测到特定区域的部分字符，但检测大多不成功，无法检测到土耳其字符。你知道任何方法或者你有什么建议可以取得更大的成功吗？下面是我的代码：
import pytesseract
from PIL import Image
import cv2
img= cv2.imread('C:\Users\gulsa\Desktop\Tesseract-OCR\alm98_2.jpg')
img = Image.open('alm98_2.jpg')
pytesseract.pytesseract.tesseract_cmd = 'C:/Program Files (x86)/Tesseract-
OCR/tesseract'
tex = pytesseract.image_to_string(Image.open('alm98_2.jpg'),lang='tur')
print(tex)
提前致谢！
这是我在你的图像上使用 tesseract 后得到的结果
HerTürdenErutikyıdeplç'nTıkla!Sımsıkainlemereoyo
AnındaCebirıdenIde!Iziemeklçin18YaşındanBüyükoin'ak
Zorunludur.HerkamgoridenyüzleroevideoHighDefTvde!High
DefTv,abonelik"servistir.Pakelhaîlaliktümvergilerdahilolamk
ayda64TLyebtaIedimedig'süreoeherz—ıyyenileneoekîir.Servis
ücreti,aboneoldugınuzoperaîöfündüzenleyecegifaîuralar
karaliylaveyaönödemelihatlardanTL/Krmikîaridüsülerekîahsil
edilecektir.Ipîaliğn:|PTALya24329z-ıgörder.Iptaledilendönem
içinücretiadasiyapiin'azXeteriibakiyenizyokayükleme
到目前为止，这似乎不是一个非常糟糕的结果。不是说它很好，而是与土耳其字母无关。如果您能够检测并分离此时彼此距离太近的字母，您可以获得更好的结果。
例如，对于这张图片，我得到了完美的结果（注意更好的字体，字符之间更多 space）
Her Türden Erotik Video Için Tıkla!Sımsicak Binlerce Videoyu
如果您收到很多肯定不在土耳其字母表中的嘈杂字母（例如 fl 或 î 符号）- 您可以创建一个黑名单。
另一种选择是逐个字符地遍历 tesseract 结果并更正它们（如果您可以为此使用任何启发式算法）。
编辑：TBH，当我尝试阅读你图片上的文字时，我无法将单词与句子分开，也许它是你使用的特定字体，但它对人和机器来说绝对看起来太苛刻了。
Edit2：在字符
之间添加了更多 space 示例图像
问题是，虽然可以检测到特定区域的部分字符，但检测大多不成功，无法检测到土耳其字符。你知道任何方法或者你有什么建议可以取得更大的成功吗？下面是我的代码：
import pytesseract
from PIL import Image
import cv2
img= cv2.imread('C:\Users\gulsa\Desktop\Tesseract-OCR\alm98_2.jpg')
img = Image.open('alm98_2.jpg')
pytesseract.pytesseract.tesseract_cmd = 'C:/Program Files (x86)/Tesseract-
OCR/tesseract'
tex = pytesseract.image_to_string(Image.open('alm98_2.jpg'),lang='tur')
print(tex)
提前致谢！
这是我在你的图像上使用 tesseract 后得到的结果
HerTürdenErutikyıdeplç'nTıkla!Sımsıkainlemereoyo AnındaCebirıdenIde!Iziemeklçin18YaşındanBüyükoin'ak Zorunludur.HerkamgoridenyüzleroevideoHighDefTvde!High DefTv,abonelik"servistir.Pakelhaîlaliktümvergilerdahilolamk ayda64TLyebtaIedimedig'süreoeherz—ıyyenileneoekîir.Servis ücreti,aboneoldugınuzoperaîöfündüzenleyecegifaîuralar karaliylaveyaönödemelihatlardanTL/Krmikîaridüsülerekîahsil edilecektir.Ipîaliğn:|PTALya24329z-ıgörder.Iptaledilendönem içinücretiadasiyapiin'azXeteriibakiyenizyokayükleme
到目前为止，这似乎不是一个非常糟糕的结果。不是说它很好，而是与土耳其字母无关。如果您能够检测并分离此时彼此距离太近的字母，您可以获得更好的结果。
例如，对于这张图片，我得到了完美的结果（注意更好的字体，字符之间更多 space）
Her Türden Erotik Video Için Tıkla!Sımsicak Binlerce Videoyu
如果您收到很多肯定不在土耳其字母表中的嘈杂字母（例如 fl 或 î 符号）- 您可以创建一个黑名单。
另一种选择是逐个字符地遍历 tesseract 结果并更正它们（如果您可以为此使用任何启发式算法）。
编辑：TBH，当我尝试阅读你图片上的文字时，我无法将单词与句子分开，也许它是你使用的特定字体，但它对人和机器来说绝对看起来太苛刻了。
Edit2：在字符
之间添加了更多 space 示例图像