Pytesseract 始终错误地读取特定数字

Question

我有这张图片

我正在阅读框中的数字，它显然应该是数字1；但是，后面的代码始终将其读取为数字4。似乎很奇怪，它会出错，因为我正在使用的 pdf 表单中有许多类似的实例，它确实正确。我能做些什么来纠正这种特殊情况而不妨碍正确执行的操作吗？

图像只是可填写的 pdf 表单的一部分。我阅读了 pdf 并将其保存为图像。然后 tesseract 将图像读入文本文件。

这是文本转换为jpg 文件后的样子

image_counter=1
pages = convert_from_path(filename,  poppler_path= dir_path+r'\poppler-0.68.0\bin') 
for page in pages:
    filename = "page_"+str(image_counter)+".jpg"                  
    # Save the image of the page in system 
    page.save(filename, 'JPEG') 
          
    # Increment the counter to update filename 
    image_counter+=1

# Variable to get count of total number of pages 
filelimit = image_counter-1

# Iterate from 1 to total number of pages 
for i in range(1, filelimit + 1): 
    filename = "page_"+str(i)+".jpg"
    # Recognize the text as string in image using pytesserct 
    text = str(pytesseract.image_to_string(Image.open(filename), config='--psm 6 --dpi 300 --oem 3'))
    f.write(text) # f is the file I am writing to 

Answer 1

带有白名单数字的 Psm 值 11 对我有用：

    >>> image = cv2.imread("1.png",0)
    >>> thresh = cv2.threshold(image,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)[1]
    >>> data = pytesseract.image_to_string(thresh,config= '--psm 3 digits')
    >>> data
    ''
    >>> data = pytesseract.image_to_string(thresh,config= '--psm 5 digits')
    >>> data
    '-\n .'
    >>> data = pytesseract.image_to_string(thresh,config= '--psm 6 digits')
    >>> data
    '11'
    >>> data = pytesseract.image_to_string(thresh,config= '--psm 7 digits')
    >>> data
    '11'
    >>> data = pytesseract.image_to_string(thresh,config= '--psm 11 digits')
    >>> data
    '.\n\n1' #whitelist here
    >>> data = pytesseract.image_to_string(thresh,config= '--psm 12 digits')
    >>> data
    '14'

正确的输出（带有白名单数字）：

    >>> data = pytesseract.image_to_string(thresh,config= '--psm 11 -c tessedit_char_whitelist=1234567890')
    >>> data
    '1'
    >>> data = pytesseract.image_to_string(thresh,config= '--psm 6 -c tessedit_char_whitelist=1234567890')
    >>> data
    '11'
    >>> data = pytesseract.image_to_string(image,config= '--psm 11 -c tessedit_char_whitelist=1234567890')
    >>> data
    '1'

并且不要忘记在通过之前对图像进行二值化以获得更好的结果。