由于水平线，Pytesseract OCR 无法识别小词

Question

我刚刚开始探索 pytesseract。这是我面临的问题：

我有以下输入图像。

现在，当我尝试对此运行 OCR 时，我得到以下输出：

感谢您的注册。现在你也是 可以挑选你喜欢的枕头

选项 AB

在对多个图像样本进行尝试后，我可以安全地得出以下结论：

1. 它不是非字典词惩罚。
2. 它省略了简短的单词。几乎就好像它有一个正在生效的最小宽度，并且正在否决任何宽度小于该宽度的行。
3. 仅当输入图像周围有边界矩形时才会发生这种情况。如果我从输入图像中删除它，我会得到正确的输出。

即如下图：

我得到以下输出

感谢您的注册。现在你也是 可以挑选你喜欢的枕头

选项

打开

选项 AB

我无法弄清楚我哪里出错了。这是我正在使用的代码：

from PIL import Image
import pytesseract
import argparse
import cv2

image = cv2.imread('testImage.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
gray = cv2.threshold(gray, 240, 255, cv2.THRESH_BINARY)[1]

filename = "intermediate.png"
cv2.imwrite(filename, gray)

im = Image.open(filename)
text = pytesseract.image_to_string(im)
print(text)

我也尝试过修改一些配置参数（crunch_del_min_width、language_model_min_compound_length 和其他一些参数），但没有任何帮助。

Answer 1

在这里找到解决方案：Pytesseract OCR multiple config options

我的代码最初和你的一样（第 1 行），我遇到了同样的错误。对我有用的是在配置参数中设置 psm = 10 以允许单个字符识别。

代码有时会返回 None：

line 1 : text = pytesseract.image_to_string(cropped)

在下一行添加代码：

line 2 : text = text if text else pytesseract.image_to_string(cropped, config='--psm 10')

第一行将尝试提取句子。如果成功，则第二行保持该值不变。但是，如果它返回 None，它将查找单个字符（允许输出较小的单词）。

或者，如果您只是想抓住小词：

line 1 : text = pytesseract.image_to_string(cropped, config='--psm 10')