Tesseract ocr 输出在检测到的文本之间带有单个字符答案

【问题标题】：Tesseract ocr output with single characters in between the detected textTesseract ocr 输出在检测到的文本之间带有单个字符
【发布时间】：2021-01-12 12:21:59
【问题描述】：

我正在尝试使用 Tesseract 从下图中提取，

text = pytesseract.image_to_string(image, config='-c preserve_interword_spaces=1 --psm 1 --oem 1')

这是 tesseract 4 ocr 的结果，

print(text)

Wrote Datastream application 
e Used Kafka to get the accounts

如果您看到图像中的项目符号点被转换为e，我在文档中发现几个这样的点在 ascii 中转换为单个字符

如果有人熟悉此类问题并有解决方案，请告诉我。

【问题讨论】：

标签： python python-3.x ocr tesseract python-tesseract

【解决方案1】：

我有一个建议，也许删除项目符号会更好。

删除要点的一种解决方案是应用adaptive-threshold
如果我们将adaptive-threshold 应用于当前图像：

现在如果我们阅读它：

Wrote Datastream application |
Used Kafka to get the accounts

代码：

import cv2
import pytesseract

img = cv2.imread("4XMue.png")
gry = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
thr = cv2.adaptiveThreshold(gry, 255, cv2.ADAPTIVE_THRESH_MEAN_C,
                            cv2.THRESH_BINARY, 11, 131)
txt = pytesseract.image_to_string(thr)
print(txt)

请让我告诉您，我的示例代码可能不适用于所有图像。由于图像可能具有不同的伪影或需要额外的处理。您可能需要更改adaptive-threshold 的block-size 和C 参数。因此，请先阅读adaptive-threshold

【讨论】：

但我认为，tesseract 已经使用 otsu 算法对图像进行二值化了？所以，当我们这样做两次时，不要在大而密集的文档上降低质量
Tesseract OCR 内部应用 Otsu 二值化方法。然而，该方法根据图像直方图选择最佳全局阈值。如果图像上有阴影，则 tesseract 将无法提取字符。 source
但是如果我们这样做两次，会不会降低图像质量？
but if we do it twice?你的意思是两次应用OTSU阈值？如果是这样，我没有对图像应用 OTSU 阈值。如果你看看我的adaptive-threhsold 方法，我只使用了cv2.THRESH_BINARY。
我们正在预处理图像以从图像中去除伪影。因此，多重预处理不应该降低图像的质量。否则我们无法从图像中收集特征。