Pytesseract 阅读收据

Question

我尝试使用 pytesseract 从收据图像中读取文本。但是结果文本有很多奇怪的字符，看起来真的很糟糕。这是我用来处理图像的代码：

import sys
from PIL import Image
import cv2 as cv
import numpy as np
import pytesseract


def manipulate_image(img):
    img =  cv.cvtColor(img, cv.COLOR_BGR2GRAY)
    kernel = np.ones((1,1), dtype = "uint8") 
    img = cv.erode(img, kernel, iterations = 1) 
    img = cv.threshold(img, 0, 255,
        cv.THRESH_BINARY | cv.THRESH_OTSU)[1]
    img = cv.medianBlur(img, 3)
    return img


if len(sys.argv) > 2:
    print("Please provide only name of image.")
elif len(sys.argv) == 2:
    img = cv.imread(sys.argv[1])

    img = manipulate_image(img)
    cv.imwrite("test.png", img)
    text = pytesseract.image_to_string(img)
    print text.encode('utf8')
else:
    print("Please provide name of image.")

这是我的测试收据图片： https://imgur.com/a/RjeQ9dL manupulate 后有输出图像： https://imgur.com/a/1tFZRdq 并且有文本结果：

""'9vco4v‘l7

0 .Vt3t00N 00t300N BUNUUS



SKLEP PUU POPUGOH|
UL. JHGIELLUNSKA 25, 70-364 SZCZ[C|N
TEL. 91 4841-20-58
N|P: 955—150-21-B2
dn.19r03.05 Uydr.8534
PARAGON FISKALNY
CIHSTKH 17 0,3 ¥ 16,30 = 4.89 B
Sp.0p.B 4,89 PTU B= 8,00% 0,35
Razem PTU 0,35
ZOP{HCUNU GUTUNKQ PLN
RESZTA PLN
0025/1373 H0103 0N|0 H.
15F H9HF[B9416} 13ﬂ02D6k0[20D4334C
7?? BW 140

知道如何以更好的方式执行它以获得更好的结果吗？

Answer 1

应用简单的阈值不足以让 pyTesseract 正确检测字符。可以进行更多的预处理来显着改善您的结果，例如：

使用 Tesseract V4，其中实现了深度学习
分割字符
仅使用收据中文本通过边缘检测的部分
透视变换以理顺文本

这些话题有些冗长，要在一个答案中全部写下来，但您可以查看 pyImageSearch 上的一些文章，其中对此进行了更深入的讨论：

https://www.pyimagesearch.com/2014/09/01/build-kick-ass-mobile-document-scanner-just-5-minutes/ https://www.pyimagesearch.com/2018/09/17/opencv-ocr-and-text-recognition-with-tesseract/

Pytesseract 阅读收据

Pytesseract reading receipt

python

ocr

python-tesseract