Python PyTesseract 模块从图像中返回乱码

Question

我猜这是因为我拥有的图片在图片顶部包含文字。 pytesseract.image_to_string() 通常可以正确扫描文本，但它也会返回大量乱码：我猜这是因为文本下方的图片使 Pytesseract 认为它们也是文本或其他东西。

当 Pytesseract 返回一个字符串时，我怎样才能使它不包含任何文本，除非它确定文本是正确的。 比如，如果 Pytesseract 有办法返回某种数字，告诉我文本扫描的准确性如何？

我知道我听起来有点笨，但请有人帮忙

Answer 1

您可以使用config参数设置字符白名单以消除乱码，也可以尝试使用不同的psm选项以获得更好的结果。

不幸的是，这并不容易，我认为唯一的方法是应用一些图像预处理，这是我最好的：

1. 首先我对平滑应用了一些模糊：

 import cv2
 blurred = cv2.blur(img,(5,5))

1. 然后删除除文本之外的所有内容，将图像转换为灰度并应用阈值处理以仅获得作为文本颜色的白色（我使用逆阈值处理使文本变为黑色，这是 tesseract ocr 的最佳条件）：

gray_blurred=cv2.cvtColor(blurred, cv2.COLOR_BGR2GRAY)
ret,th1 = cv2.threshold(gray_blurred,239,255,cv2.THRESH_BINARY_INV)

并应用 ocr 然后删除空白字符：

txt = pytesseract.image_to_string(th1,lang='eng', config='--psm 12')
txt = txt.replace("\n", " ").replace("\x0c", "")
print(txt)
>>>"WINNING'OLYMPIC  GOLD MEDAL  IT'S MADE OUT OF  RECYCLED ELECTRONICS "

相关主题：

Pytesser set character whitelist

Pytesseract OCR multiple config options

你也可以尝试预处理你的图像，让 pytesseract 工作更准确，如果你想识别有意义的单词，你可以在 ocr 之后应用拼写检查：

https://pypi.org/project/pyspellchecker/