tesseract ocr 的 PIL 预处理答案

【问题标题】：PIL preprocessing for tesseract ocrtesseract ocr 的 PIL 预处理
【发布时间】：2017-10-22 19:54:25
【问题描述】：

如何提高 OCR 的准确性？

我正在使用 pyocr 调用 tesseract 二进制文件，wand 将 pdf 转换为 Image，然后 Pillow 为 OCR 处理图像。

已附上所有图片

我觉得这是可以做到的最好的预处理。

imgf = img.convert('RGB') #to draw a line in between
draw = Draw(imgf)
x,y = imgf.size
eX,eY = 20,800
box =  (x/2 - eX/2, y/2 - eY/2, x/2 + eX/2, y/2 + eY/2)
draw.ellipse(box, fill=0)
del draw


im2 = imgf.filter(ImageFilter.MinFilter(1))  #filter
im2 = im2.filter(ImageFilter.SMOOTH_MORE)
im2 = im2.filter(ImageFilter.SMOOTH_MORE)

for img in req_image:   # OCR
    txt = tool.image_to_string(
        im2,
        lang=lang,
        builder=pyocr.builders.DigitBuilder()
    )
print text

Image最初是从PDf中裁剪出来的，然后转换成灰度，然后上面的代码进行处理。

我在两者之间添加了一条线，发现它大大提高了准确性（感觉它会起作用）

1 Accurate 2 Accurate 3 Inaccurate Returns 6563 8 1 4 Greyscale image from pdf

【问题讨论】：

标签： python ocr tesseract pillow image-preprocessing

【解决方案1】：

微软发布了一个很棒的 api，叫做认知服务。您可以使用它来进行图像识别。

https://azure.microsoft.com/en-us/services/cognitive-services/

【讨论】：

是的，但我认为培训是个好主意。因为我有 1000 多个 PDF 到 OCR，仅用于数字和相同的字体。