pytesseract 仅使用 tesseract 4.0 数字不起作用

Question

有人试图在python中只调用最新版本的tesseract 4.0来获取数字吗？

以下在 3.05 中工作，但在 4.0 中仍然返回字符，我尝试删除所有配置文件，但仍然没有工作；任何帮助都会很棒：

im 是日期图片，黑字白底：

import pytesseract
im =  imageOfDate
im = pytesseract.image_to_string(im, config='outputbase digits')
print(im)

Answer 1

您可以指定tessedit_char_whitelist 中的数字作为配置选项，如下所示。

ocr_result = pytesseract.image_to_string(image, lang='eng',config='--psm 10 --oem 3 -c tessedit_char_whitelist=0123456789')

Answer 2

正如您在this GitHub issue 中看到的，黑名单和白名单不适用于 tesseract 4.0 版。

这个问题有 3 种可能的解决方案，正如我在 this blog article 中描述的那样：

1. 将 tesseract 更新到版本 > 4.1
2. 使用the answer 中描述的旧模式，来自@thewaywewere

3. 创建一个使用简单正则表达式提取所有数字的python函数：

   def replace_chars(text):
       list_of_numbers = re.findall(r'\d+', text)
       result_number = ''.join(list_of_numbers)
       return result_number
   
   result_number = pytesseract.image_to_string(im)
   

Answer 3

在 pytesseract 中使用 tessedit_char_whitelist 标志对我不起作用。但是，一种解决方法是使用一个有效的标志，即 config='digits'：

import pytesseract
text = pytesseract.image_to_string(pixels, config='digits')

其中像素是图像的 numpy 数组（PIL 图像也应该可以使用）。这应该迫使你的 pytesseract 只返回数字。现在，要自定义它返回的内容，请在 Windows 上找到您的数字配置文件，位于此处：

C:\Program Files (x86)\Tesseract-OCR\tessdata\configs

打开数字文件并添加您想要的任何字符。保存并运行 pytesseract 后，它应该只返回那些自定义字符。

Answer 4

您可以将tessedit_char_whitelist 中的数字指定为config option，如下所示。

ocr_result = pytesseract.image_to_string(image, lang='eng', boxes=False, \
           config='--psm 10 --oem 3 -c tessedit_char_whitelist=0123456789')

希望对您有所帮助。