python - 在使用 Tesseract 进行文本识别之前对图像进行预处理

Question

我有一个扫描页面，我正在尝试识别和解析图像中的数字（逐行）。为了做到这一点，我使用 Python Pytessarect，代码如下：

img = cv2.imread('image.jpg',0)
ret,thresh1 = cv2.threshold(img,110,255,cv2.THRESH_TOZERO)
scan_config = r'--oem 3 --psm 6'
extracted_text = pytesseract.image_to_string(thresh1, config=scan_config)

输入图像.jpg：

不幸的是，结果并不令人满意，因为如您所见，第 4 列的数字被部分擦除（人眼可以识别数字，但阈值算法会使情况变得更糟）：

006442000180
006354924010
005900000461
062891556156
006*3*00000261
006900000261

有人知道如何对图像进行预处理，以便算法甚至能够识别当事人擦除的数字？顺便说一句，阈值函数的第二个参数是硬编码的（110），它可能不会匹配那里的每个图像，这取决于照片的质量，有没有办法动态生成值或使用替代阈值方法（也许使用 OpenCV 过滤器）？

标签： pythonopencvimage-processingtesseractpython-tesseract

Answer 1

tesseract PzCox.png - --dpi 72 --psm 6

最好用（英文）模型制作这个：

006442000180
006354924010
005300000461
062891556156
006300000261
006300000261