如何在小图像中使用 pytesseract 改进手写文本识别？

Question

我想使用pytesseract 库进行手写文本识别，以读取平均尺寸为 43 * 45 像素的图像中的数字字符。以下示例图片：

预期结果：

9
1
4

我想从图像中获取单个数字字符。

我在下面尝试过这段代码

import pytesseract

# loop through images
print(pytesseract.image_to_string("text.jpg", config='--psm 10 --oem 3 -c tessedit_char_whitelist=0123456789'))

但真正的结果，我得到的准确率不到 50% 甚至更低，有些数字读得很好，有些数字可以在单个图像中读取 2 个字符，有些则没有。
当我删除-c tessedit_char_whitelist = 0123456789 配置时，我得到字符4、\ 和字母g。
如何让 Pytesseract 将图像视为唯一的单个数字字符，而不是使用仍将文本读取为字母数字的白名单？

PS：我知道 OCR 不能 100% 准确。至少准确率可以提高。

Answer 1

根据this GitHub issue，tesseract 4.0 不支持 LSTM 模型的白名单字符。您可以通过将 Tesseract 升级到 4.1 版本而不是使用旧模型（即--oem 标志）来解决此问题。

或者，您可以尝试使用Robert Harris 在this answer 中提出的标志config='digits' 来强制您的pytesseract 只返回数字。

This blog article 建议创建一个 python 函数，该函数使用一个简单的正则表达式来提取所有数字，而不是使用多个标志和版本来处理。