为什么 Tesseract 无法识别较大框中包含的文本？答案

【问题标题】：Why can't Tesseract identify text that's contained in a larger box?为什么 Tesseract 无法识别较大框中包含的文本？
【发布时间】：2021-09-10 12:11:24
【问题描述】：

我正在尝试从包含在较宽框中的图像中提取一些非常明显的文本：

但是，Tesseract 无法成功从中提取文本。如果我删除图像中的框，它就可以正常工作：

请注意，当我将字体更改为更常见的字体（例如 Arial）时，这两个图像都可以正常工作。但是，我确实需要让它使用当前字体（影响）。

任何有关如何使其工作的帮助将不胜感激！

以下是我当前的代码：

import cv2
import pytesseract

pytesseract.pytesseract.tesseract_cmd = r'C:\\Program Files\\Tesseract-OCR\\tesseract.exe'

img = cv2.imread('without_box.png') #https://i.stack.imgur.com/vrJvd.png
img_text = pytesseract.image_to_string(img)
print('without_box : ', img_text) #returns "without_box :  TEXT"

img = cv2.imread('with_box.png') #https://i.stack.imgur.com/xNEdR.png
img_text = pytesseract.image_to_string(img)
print('with_box : ', img_text) #returns "with_box : "

【问题讨论】：

从我个人的经验来看，Tesseract 真的不适合我。如果您的要求是每月少于 1000 张图像，我建议切换到 Google Vision API。前 1000 张图片是免费的，在检查了几乎所有主要的免费和付费 OCR 之后，我发现它是最好的。
也许你应该在使用tesseract之前尝试修改图像本身，图像处理会对结果产生巨大影响。

标签： python image-processing ocr tesseract python-tesseract

【解决方案1】：

对于呈现的图像类型¹，您可以自动裁剪包含文本的白色部分，然后运行pytesseract：

import cv2
import pytesseract


def crop_and_detect(image):
    thr = cv2.threshold(image, 128, 255, cv2.THRESH_BINARY)[1]
    x, y, w, h = cv2.boundingRect(thr)
    return pytesseract.image_to_string(image[y:y+h, x:x+w])


for img_file in ['vrJvd.png', 'xNEdR.png']:
    img = cv2.imread(img_file, cv2.IMREAD_GRAYSCALE)
    print(img_file, crop_and_detect(img).replace('\f', ''))
    # vrJvd.png TEXT
    #
    # xNEdR.png TEXT
    #

----------------------------------------
System information
----------------------------------------
Platform:      Windows-10-10.0.19041-SP0
Python:        3.9.1
PyCharm:       2021.1.2
OpenCV:        4.5.2
pytesseract:   5.0.0-alpha.20201127
----------------------------------------

¹_{^{如果您有与图像处理相关的问题，请提供可能的输入图像的代表性集合。否则，您可能会为您提供的一两个输入图像获得适当的解决方案，但是在您的实际数据集上测试该解决方案时，您会发现“它不起作用”，并可能发布（很多）后续 -提出问题，这本来可以阻止的。}}

【讨论】：

这就像一个魅力，完全有意义。谢谢@HansHirse