python-3.x - Pytesseract 图像 OCR - 无法识别数字

Question

我有这个图像。

使用 python 3.8 运行 Pytesseract 会产生以下问题：

1. “电话”这个词读作 O（不是零，O 和 oscar 一样）
2. “传真”一词读作 2%。
3. 电话号码读作（56031770

考虑的图像不包含框。框是在检测到的文本区域/单词周围应用框后从 cv2 输出中获取的。

读取传真号码没有问题。[phone]（包括括号和连字符）

图像大小为 23 兆像素（从 pdf 文件转换而来） 该图像已在 opencv 中使用阈值进行预处理，以便您获得二进制图像 该图像不包含粗体字体。所以我没有使用任何侵蚀。

我该怎么做才能正确阅读电话号码？谢谢你。

PS：我使用的是 image_to_data（不是 image_to_text），因为我还需要知道页面上字符串的位置。

编辑：这是代码的相关部分：

from PIL import Image
import pytesseract
from pytesseract import Output
import argparse
import cv2
import os
import numpy as np
import math
from pdf2image import convert_from_path 
from scipy.signal import convolve2d
import string

filename = "image.png"
image = cv2.imread(filename)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# estimate noise on image
H, W = gray.shape
M = [[1, -2, 1],
    [-2, 4, -2],
    [1, -2, 1]]

sigma = np.sum(np.sum(np.absolute(convolve2d(gray, M))))
sigma = sigma * math.sqrt(0.5 * math.pi) / (6 * (W-2) * (H-2))

# if image has too much noise then go with blurring method

if sigma > 10 :
    # noisy
    gray = cv2.medianBlur(gray, 3)
    print("noises deblurred")
# otherwise go with threshholding method
else :
    gray = cv2.threshold(gray, 0, 255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    print("threshhold applied")


d = pytesseract.image_to_data(gray, output_type=Output.DICT)
for t in d['text'] :
    print(t)

因此，这将是 psm 3（默认）

版本 ：

Tesseract : tesseract 4.1.1 (用 检索tesseract --version) & pytessract : 版本: 0.3.2 (用 检索pip3 show pytesseract)

标签： python-3.xocrtesseractpython-tesseract