为什么 Pytesseract 不能识别黑底白字？

Question

我有很多像下面这样的图像，我需要使用 pytesseract 来抓取白色文本：

我使用下面的代码，但结果并不令人印象深刻：

import pytesseract
from PIL import Image
pytesseract.pytesseract.tesseract_cmd = 'C:/Program Files (x86)/Tesseract-OCR/tesseract'
im = Image.open('topLine.png')
print pytesseract.image_to_string(im)

结果：

Rouse Services | Renta Dastbonrd | Blei Rental



RJ |G | B (mmm @

所以我认为原因是图像中的非文本。我裁剪了图像中对我来说最重要的文本部分，并针对它运行了相同的代码：

但是，我得到的只是空白。 Pytesseract 根本没有找到任何文本。我做错了什么？

Answer 1

要回答您最初的问题，我相信他们的训练数据集仅在黑色文本白色背景上，因此机器学习算法不会反之也就不足为奇了。现在对于解决方案，如果带有白色文本的黑框每次都位于图像中的特定位置，我会将其裁剪掉，反转它，然后将其放回同一位置。否则，您可以使用带有自定义内核的腐蚀/扩张工具来找到这些黑匣子，并实质上在图像的该部分上创建一个遮罩。使用这个遮罩，你可以说嘿 python，这是一个带有白色文本的黑框。根据我的经验，pytesseract 总是需要至少一些图像处理（如果不是很多）来获得良好的输出，但即使是最糟糕的图像，我也能够获得 93% 以上的准确度。