computer-vision - tesseract - 如何处理字符分隔符
问题描述
如何以正确的方式处理使用 tesseract(预处理或通过特殊的 tesseract 配置)识别字符分隔符内的文本,尤其是梳状类型(第 3 张图像),如下面的这三个图像:
https://i.stack.imgur.com/Jb5Qd.png
https://i.stack.imgur.com/GhzCa.png
https://i.stack.imgur.com/rI4c1.png
1)我尝试执行OCR的具体图像如下所示。 图像清晰、分辨率高且无噪点。如果我将此图像直接输入 tesseract(尝试了几乎所有页面段模式),则输出如下:
1
11, 9;9j1 | 0,7 4142 |
正如所观察到的,这些数字是正确的 OCRed,并作为提取文本的子集出现。但是,分隔符也被识别为“1”、“”、“7”、“4”、“|”。预期输出为 1992 07 12。
2)我是图像识别的新手。图像预处理是 OCR 之前的重要步骤。我已经尝试从左侧、底部和右侧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/ ://www.learnopencv.com/filling-holes-in-an-image-using-opencv-python-c/ 虽然此解决方案适用于此特定图像,但绝对不是通用的解决方案。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,在结果的前 10 页中找不到任何可靠的东西(在不相关的主题上有很多噪音)。我的搜索词是“tesseract 字符分隔符”。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,文本识别没有问题。但是,此应用程序是付费和封闭源代码的。
解决方案
有很多方法可以解决您的问题。例如,如果形成单元格的线是连接的 - 您可以使用 opencv 过滤大型连接组件。
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寻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,等等......
推荐阅读
- python - 使用 PIL Image 进行像素转换的粉红色调
- c# - Linq将两个不同类的列表与join配对
- python - 当 Debug = False 时,Django 返回 500 Internal Server Error 而不是 index.html
- javascript - chrome 扩展 - 外部网站上的按键事件正在冒泡到我的输入字段中
- ansible - Ansible ios_config 模块无法为路由器设置密码 7
- ios - SwiftUI - 如何在内容小于边界时使 ScrollView 不反弹
- python - 支持使用通配符的发布、订阅和取消订阅操作的数据结构
- hyperledger-fabric - 为什么在测试网络中加入频道失败
- python - 杀死/转储 TensorFlow 后继续
- django - 使用两个“兄弟”模型创建嵌套序列化程序