使用OCR从图像中读取文本，用于使用python具有两列或三列数据的图像

Question

在示例图像（只是一个参考，我的图像将具有相同的图案）中，一个页面有完整的水平文本，而另一个页面有两个水平的文本列。

如何在python中自动检测文档的模式并逐列读取数据？

我正在使用带有 Psm 6 的 Tesseract OCR，它在水平方向上读取是错误的。

Answer 1

实现此目的的一种方法是使用形态学运算和轮廓检测。

对于前者，您基本上将所有字符“流血”成一个大块。使用后者，您可以在图像中找到这些斑点并提取看起来有趣的斑点（意思是：足够大）。

使用的脚本：

import cv2
import sys

SCALE = 4
AREA_THRESHOLD = 427505.0 / 2

def show_scaled(name, img):
    try:
        h, w  = img.shape
    except ValueError:
        h, w, _  = img.shape
    cv2.imshow(name, cv2.resize(img, (w // SCALE, h // SCALE)))

def main():
    img = cv2.imread(sys.argv[1])
    img = img[10:-10, 10:-10] # remove the border, it confuses contour detection
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    show_scaled("original", gray)

    # black and white, and inverted, because
    # white pixels are treated as objects in
    # contour detection
    thresholded = cv2.adaptiveThreshold(
                gray, 255,
                cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV,
                25,
                15
            )
    show_scaled('thresholded', thresholded)
    # I use a kernel that is wide enough to connect characters
    # but not text blocks, and tall enough to connect lines.
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (13, 33))
    closing = cv2.morphologyEx(thresholded, cv2.MORPH_CLOSE, kernel)

    im2, contours, hierarchy = cv2.findContours(closing, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    show_scaled("closing", closing)

    for contour in contours:
        convex_contour = cv2.convexHull(contour)
        area = cv2.contourArea(convex_contour)
        if area > AREA_THRESHOLD:
            cv2.drawContours(img, [convex_contour], -1, (255,0,0), 3)

    show_scaled("contours", img)
    cv2.imwrite("/tmp/contours.png", img)
    cv2.waitKey()

if __name__ == '__main__':
    main()

然后你只需要计算轮廓的边界框，并从原始图像中切割它。添加一点边距并将整个内容提供给 tesseract。