tesseract 仅从图像中检测到 4 个单词

Question

我有非常简单的python代码：

import cv2
import pytesseract

pytesseract.pytesseract.tesseract_cmd = 'C:\\Tesseract-OCR\\tesseract.exe'
img = cv2.imread('1.png')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

hImg,wImg,_ = img.shape

#detecting words
boxes = pytesseract.image_to_data(img)
for x,b in enumerate(boxes.splitlines()):
    if x!=0:
        b = b.split()
        if len(b) == 12:
            x,y,w,h = int(b[6]), int(b[7]), int(b[8]), int(b[9])
            cv2.rectangle(img, (x,y), (w+x,h+y), (0,0,255), 3)


cv2.imshow('result', img)
cv2.waitKey(0)

但结果很有趣。它只检测到 4 个单词。可能是什么原因？

Answer 1

如果你improve the quality你给Tesseract的图像，你会得到更好的OCR结果。

虽然 tesseract 版本 3.05（及更早版本）可以毫无问题地处理倒置图像（深色背景和浅色文本），但对于 4.x 版本，使用浅色背景上的深色文本。

从BGR 转换为HLS 以便稍后从图像上半部分的数字中删除背景颜色。然后，使用cv2.inRange 创建一个“蓝色”蒙版，并将任何不是“蓝色”的部分替换为白色。

hls=cv2.cvtColor(img,cv2.COLOR_BGR2HLS)

# Define lower and upper limits for the number colors.
blue_lo=np.array([114, 70, 70])
blue_hi=np.array([154, 225, 225])

# Mask image to only select "blue"
mask=cv2.inRange(hls,blue_lo,blue_hi)

# copy original image
img1 = img.copy()
img1[mask==0]=(255,255,255)

通过将图像转换为黑白来帮助 pytesseract

这是将图像转换为黑白。 Tesseract 在内部执行此操作（Otsu 算法），但结果可能不是最理想的，尤其是在页面背景暗度不均的情况下。

rgb = cv2.cvtColor(img1, cv2.COLOR_HLS2RGB)
gray = cv2.cvtColor(rgb, cv2.COLOR_RGB2GRAY)
_, img1 = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
cv2.imshow('img_to_binary',img1)

在之前创建的img1 上使用image_to_data 并继续应用您现有的代码。

...
hImg,wImg,_ = img.shape

#detecting words
boxes = pytesseract.image_to_data(img1)
for x,b in enumerate(boxes.splitlines()):
    ...
...