R中的tesseract - 在黑色背景上读取白色字体

Question

所以，我对 tesseract 还很陌生，有些人在这个论坛上遇到了类似的问题，但我无法得到令人满意的解决方案，因此我发布了这个问题。

我有来自街头摄影机的照片，我想获得镜头的时间戳。去掉时间戳后，它们看起来像这样：

我通过使用带有 R 的 tesseract 来解决这个问题：

library(tesseract)
library(magick)
eng <- tesseract("eng")

input <- image_read("image from above")

使用基本的 tesseract 我得到：

input %>% tesseract::ocr(,engine = eng) 
# [1] "SRE SAA PRO 206197180731 17:33:88\n"

显然，这并没有多大帮助。因此，在阅读了这个问题后，我尝试了这个：

text <- input %>%
  image_resize("2000x") %>%
  image_convert(type = 'Grayscale') %>%
  image_trim(fuzz = 40) %>%
  image_write(format = 'png', density = '300x300') %>%
  tesseract::ocr() 

cat(text)

# es bt i deen | ee) eee i ae 2s ee ee ee eee ec ee |

这个结果更糟糕，真是令人沮丧。 如何获得正确的结果？热烈欢迎任何帮助:)

编辑

@Max Teflon 回答了这个例子的问题。但是，我意识到有些图像仍然被错误读取，例如

谁能进一步改进他的解决方案？

Answer 1

多么好的问题啊！玩起来真的很有趣。 我发现此解决方案适用于您的示例：

library(tesseract)
library(magick)

eng <- tesseract("eng")

input <- image_read("https://i.stack.imgur.com/0QzhP.jpg") %>% 
  .[[1]] %>% 
  as.numeric() # cause numerics are just easier to work with
image_read(ifelse(input <.9, 1, 0) )  # changing every non-white pixel to white and every white pixel to black

到目前为止一切顺利，这是黑白版本：

只是尝试 ocr 这个不太奏效，所以我尝试改变它的大小：

image_read(ifelse(input <.9, 1, 0) ) %>% 
  image_resize('500x') %>% # make it smaller to work around the errors
  tesseract::ocr()
#> [1] "TLC200 PRO 2019/10/31 17:33:00\n"

调整大小和对比部分只是玩弄的结果。如果解决方案对您的其他图片效果不佳，您可能需要更改它。

^{由reprex package (v0.3.0) 于 2020-01-15 创建}