tesseract

Question

如何使用 tesseract（预处理或通过特殊的 tesseract 配置）以正确的方式识别字符分隔符内的文本，尤其是梳状类型（第 3 张图片），如下面的三张图片所示：

https://i.stack.imgur.com/Jb5Qd.png
https://i.stack.imgur.com/GhzCa.png
https://i.stack.imgur.com/rI4c1.png

1）我尝试进行OCR的具体图片如下图。图像清晰，分辨率高，无噪点。如果我将这张图片直接输入 tesseract（尝试了几乎所有页面段模式），输出如下：

1
11, 9;9j1 | 0,7 4142 |

正如观察到的那样，这些数字正确地进行了 OCR，并且显示为提取文本的子集。但是，分隔符也被识别为“1”、“,”、“7”、“4”、“|”。预期输出为 1992 07 12.

2) 我是图像识别新手。图像预处理是OCR之前的一个重要步骤。我尝试从左侧、底部和右侧进行填充以删除字符分隔符。这个概念取自这里：https://www.learnopencv.com/filling-holes-in-an-image-using-opencv-python-c/ 尽管此解决方案适用于此特定图像，但绝对不是通用解决方案。由于这些字符分隔符在许多形式中都很常见，因此必须有一种提取文本的好方法。

3) 我试过谷歌搜索，但在前 10 页的结果中找不到任何可靠的东西（大量关于不相关主题的噪音）。我的搜索词是 "tesseract character separator"。糟糕的结果可能是由于搜索词的选择不当，这与 CV 社区使用的不同。

4) 我试过abbyy finereader，文字识别没有问题。但是，此应用程序是付费的并且是封闭源代码。

Answer 1

有很多方法可以解决您的问题。例如，如果构成你的单元格的线是连接的——你可以使用 opencv 过滤大的连接组件。

gray = cv2.imread('path_to_your/image.png', 0)
_, blackAndWhite = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)

nlabels, labels, stats, centroids = cv2.connectedComponentsWithStats(blackAndWhite, None, None, None, 8, cv2.CV_32S)
sizes = stats[1:, -1]
img2 = np.zeros((labels.shape), np.uint8)

for i in range(0, nlabels - 1):
    if sizes[i] <= 5000:   #CHANGE THIS VALUE TO CHANGE THRESHOLD.
        img2[labels == i + 1] = 255

res = cv2.bitwise_not(img2)

cv2.imshow('res.png', res)
cv2.waitKey(0)

其他方法包括但不限于通过查找轮廓或进行形态学操作来检测字母，使用启发式方法（例如字母应该在同一行的事实）等...

tesseract - 如何处理字符分隔符

tesseract - how to deal with character separators

ocr

computer-vision

python-tesseract