在使用 pytesseract/tesseract 从扭曲、模糊的图像中提取文本之前应用的预处理方法

Question

我正在编写一个脚本来从问题图像中提取文本，如下所示，使用tesseract。但我说的是每天 1000-10000 张图像，因此手动应用这些方法是不可行的。是否有可能我可以对所有图像应用一些一般性的东西？

这张图片是为了展示图片的质量，而不是手写。

所以这张图片有一些噪点、模糊等等。我已经用过otsu thresholding 和closing。对于我可以对每张图像安全地使用的预处理功能，还应该有哪些其他方法，这样它就不会损害高质量的图像，而是改善低质量的图像。

换句话说，我可以对每张图片使用sharpening kernel 吗？如果是，应该是什么平均（最小安全）过滤器大小/值，这样它才不会损害高质量的图像

sharpen_kernel_choice1 = np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])
sharpen_kernel_choise2 = np.array[[0,-1,0], [-1,9,-1], [0,-1,0]]

我也在考虑使用Wiener Filter，例如，它可以对图像进行去模糊处理，

psf = np.ones((5, 5)) / 25 # what should be a safe kernel size
img = convolve2d(img, psf, 'same')
img += 0.1 * img.std() * np.random.standard_normal(img.shape) # what should be this value?
deconvolved_img = restoration.unsupervised_wiener(img, psf)

Answer 1

您想使用edge preserving 过滤器，例如各向异性扩散。我知道的唯一python实现可以在medpy找到。

medpy.filter.smoothing.anisotropic_diffusion(gray_image, option = 3)

我尝试了您的图像，发现由于边缘增强，不清晰的蒙版效果更好。对于曝光修改，你应该使用本地过滤器，Ziri 提到的 CLAHE 是我能想到的最好和最容易使用的。

from skimage.exposure import equalize_adapthist
from skimage.filters import threshold_otsu, unsharp_mask

img = unsharp_mask(image)
equalize_adapthist(img) > threshold_otsu(equalize_adapthist(img))

Tesseract 项目还提供了一个专用于Image Preprocessing 的页面。