tesseract - 从图片中获取 Tesseract 中的空结果，但从上述图片的屏幕截图中获得了良好的结果

Question

Tesseract 版本，来自 macOS 10.14.6 中的 --help 命令。莫哈韦

tesseract 4.1.1
 leptonica-1.79.0
  libgif 5.2.1 : libjpeg 9d : libpng 1.6.37 : libtiff 4.1.0 : zlib 1.2.11 : libwebp 1.1.0 : libopenjp2 2.3.1
 Found AVX2
 Found AVX
 Found FMA
 Found SSE

我正在尝试从个人身份证中提取信息，虽然源图片的质量可能会有很大差异，但在我进行了一些预处理之后，它大部分都可以正常工作。但是，我遇到了一个奇怪的问题。这一切都是在对图片进行一些预处理（如去偏斜、阈值处理等）之后以及在其上运行 Tesseract 之前完成的。例如在执行 bash 命令时

tesseract inputImg.png out2 -l jpn

在某些情况下（我的图片集的 20%~）输出为空。好吧，它实际上有一个换行符，但就是这样。我希望低质量的图片至少会产生一些垃圾输出，但相反，我什么也没得到。

命令行仅显示以下信息消息，就像每次执行时一样，无论它是否设法从图片中提取文本。

Tesseract Open Source OCR Engine v4.1.1 with Leptonica

我不知道为什么它没有从图片中得到任何东西。最奇怪的是，如果我在Preview中打开那张图片，对其进行截图（使用内置的 macOS 截图功能），然后在截图上运行相同的 tesseract 命令，它会输出预期的数据！现在，我真的不知道截屏时幕后发生了什么，但图片的内容几乎相同，所以结果差异如此之大令人惊讶。我认为问题出在文件本身，但我不知道如何解决它。

此外，源图像和屏幕截图的分辨率大致相同。例如，其中之一是 1357 x 938，而其屏幕截图版本是 1342 x 915。

我试过的：

• 使用ImageMagick 的 strip 命令剥离图片的元数据
• 在 tesseract 命令上使用不同的 --psm 值
• 在源图像上使用不同的阈值（从 30% 到 80%，以 5% 为增量）
• 手动裁剪原始图像以删除不需要的边框

每次都是一样的结果。再次，感觉好像文件本身搞砸了，但我不知道确切的问题可能是什么。建议？我正在考虑将垃圾数据添加到图片中，以查看它是否有任何作用。

标签： tesseract