PyTesseract - 被水平白线打断的文本

Question

这是一个经典的 PyTesseract 噪声图像扫描问题。但是，在这种情况下，点阵打印机会在文本中打印一些水平白线。附上一些样品。我不确定什么样的预处理会改善文本的扫描。

使用下面的命令下面的输出来自下面的示例：

tesseract test.png stdout  --psm 6 --dpi 120

输出：（预期为“RVC 64.80%”）

PRVG
64.5056"

对于上图 pytesseract 给出了

152.00 KILOGRAW
817.51 USO

预期为 - 152.00 公斤 617.51 美元

我知道图像很嘈杂，所以请不要发布明显的答案，因为图像很嘈杂，所以输出很差。因为我总是从打印机获得相同的文本，所以我可以应用相同类型的预处理。

Answer 1

第一张图，句柄代码：

from PIL import Image
import numpy as np
import pytesseract
import time
from collections import Counter

img = Image.open('OCR.png').convert('L')
pixelArray = img.load()
threshold = 240
table = []
for y in range(img.size[1]): # binaryzation
    List = []
    for x in range(img.size[0]):
        if pixelArray[x,y] < threshold:
            List.append(0)
        else:
            List.append(256)
    table.append(List)

img = Image.fromarray(np.array(table))
img.show()

def operation(image):
    resultList = []
    pixelList = image.load()
    flag = False
    for y in range(image.size[1]):
        temp = []
        linePixel = 0
        for x in range(image.size[0]):
            if not pixelList[x,y]:
                linePixel += 1
            temp.append(pixelList[x,y])
        if linePixel >= 35: # judge the black dot in one line
            flag = True
            resultList.append(temp)
        elif flag:
            # resultList.append([0]*image.size[0]) # to check the handling lines
            flag = False
        else:
            resultList.append([256] * image.size[0])
    return Image.fromarray(np.array(resultList))

for i in range(6):
    img = operation(img)

img.show()
print(pytesseract.image_to_string(img,config='--psm 6'))

处理的第一个措施（二进制化）：

第二个措施是去除白线（判断一行中的黑色像素）：

最后，结果是：

"RVC
64.80%"