银行收据的 OCR

Question

我正在处理银行收据的 OCR 问题，我需要提取日期和帐号等详细信息。处理输入后，我使用 Tessaract-OCR（在 python 中使用 pyteseract）。我已经获得了 hocr 输出文件，但是我无法理解它。我们如何从 HOCR 输出文件中提取信息？请注意，收据的方框中填写了数字，就像普通表格一样。

我使用以下文本进行提取。我应该使用不同的编码吗？

import os
if  os.path.isfile('output.hocr'):
    fp=open('output.hocr','r',encoding='UTF-8')
    text=fp.read()
    fp.close()

注意：所附图像是数据的一个示例。这些图像以 pdf 文件的形式提供，我正在以编程方式将其转换为图像。

Answer 1

我个人会使用更像 tesseract 的东西来做 OCR，然后可能会使用类似 opencv 的东西和 surf 的复选框......

甚至使用 opencv 和 surf 进行边缘检测，并对每个部分进行边缘检测，并对特定区域进行 ocr，通过分析特定区域而不是整个文档来使其更加健壮..

Answer 2

您可以简单地提供图像作为输入，而不是处理和创建 HOCR 输出文件。

试试：-

from PIL import Image
import pytesseract

im = Image.open("reciept.jpg")

text = pytesseract.image_to_string(im, lang = 'eng')

print(text)

此程序获取要通过 OCR 运行的图像的位置，并从中提取文本，将其存储在变量 text 中，然后将其打印出来。如果您愿意，您也可以将 text 中的数据存储在单独的文件中。

P.S.：- 与 tesseract 处理的图像相比，您尝试处理的图像过于复杂。因此，在处理文本后，您可能会得到不正确的结果。我绝对建议您在使用前对其进行优化，例如减少使用的字符集、在将图像传递给 OCR 之前对其进行处理、对图像进行上采样、dpi 超过 250 等。