Pytesseract 不识别小数点

Question

我正在尝试读取此图像中还包含小数点和小数的文本

这样：

img = cv2.imread(path_to_image)
print(pytesseract.image_to_string(img))

我得到的是：

73-82
Primo: 50 —

我也尝试指定意大利语，但结果非常相似：

73-82 _
Primo: 50

在stackoverflow上搜索其他问题，我发现可以通过使用白名单来改进十进制数的读取，在本例中为tessedit_char_whitelist='0123456789.'，但我也想读取图像中的单词。关于如何提高十进制数的阅读的任何想法？

Answer 1

我建议将每行文本作为单独的图像传递 tesseract。
由于某种原因，它似乎解决了小数点问题......

• 使用cv2.threshold将图像从灰度转换为黑白。
• 使用具有超长水平内核的cv2.dilate 形态学运算（跨水平方向合并块）。
• 使用查找轮廓 - 每个合并的行都将位于单独的轮廓中。
• 找到轮廓的边界框。
• 根据 y 坐标对边界框进行排序。
• 迭代边界框，并将切片传递给pytesseract。

代码如下：

import numpy as np
import cv2
import pytesseract

pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'  # I am using Windows

path_to_image = 'image.png'

img = cv2.imread(path_to_image, cv2.IMREAD_GRAYSCALE)  # Read input image as Grayscale

# Convert to binary using automatic threshold (use cv2.THRESH_OTSU)
ret, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# Dilate thresh for uniting text areas into blocks of rows.
dilated_thresh = cv2.dilate(thresh, np.ones((3,100)))


# Find contours on dilated_thresh
cnts = cv2.findContours(dilated_thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[-2]  # Use index [-2] to be compatible to OpenCV 3 and 4

# Build a list of bounding boxes
bounding_boxes = [cv2.boundingRect(c) for c in cnts]

# Sort bounding boxes from "top to bottom"
bounding_boxes = sorted(bounding_boxes, key=lambda b: b[1])


# Iterate bounding boxes
for b in bounding_boxes:
    x, y, w, h = b

    if (h > 10) and (w > 10):
        # Crop a slice, and inverse black and white (tesseract prefers black text).
        slice = 255 - thresh[max(y-10, 0):min(y+h+10, thresh.shape[0]), max(x-10, 0):min(x+w+10, thresh.shape[1])]

        text = pytesseract.image_to_string(slice, config="-c tessedit"
                                                          "_char_whitelist=abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ1234567890-:."
                                                          " --psm 3"
                                                          " ")

        print(text)

我知道这不是最通用的解决方案，但它可以解决您发布的示例。
请将答案视为概念性解决方案 - 找到可靠的解决方案可能非常具有挑战性。

---

结果：

扩张后的阈值图像：

第一个切片：

第二个切片：

第三片：

输出文本：

7.3-8.2

Primo:50

Answer 2

您可以通过down-sampling 图片轻松识别。

如果您下采样 0.5，结果将是：

现在如果你阅读：

7.3 - 8.2
Primo: 50

我使用pytesseract 0.3.7版本得到结果（current）

代码：

---

# Load the libraries
import cv2
import pytesseract

# Load the image
img = cv2.imread("s9edQ.png")

# Convert to the gray-scale
gry = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Down-sample
gry = cv2.resize(gry, (0, 0), fx=0.5, fy=0.5)

# OCR
txt = pytesseract.image_to_string(gry)
print(txt)

说明：

---

输入图像包含一些人工制品。您可以在图像的右侧看到它。另一方面，当前图像非常适合 OCR 识别。当图像中的数据不可见或损坏时，您需要使用预处理方法。请阅读以下内容：

• Image processing

• Page-segmentation-mode