Pytesseract OCR 多个配置选项答案

【问题标题】：Pytesseract OCR multiple config optionsPytesseract OCR 多个配置选项
【发布时间】：2017-11-20 23:48:21
【问题描述】：

我在使用 pytesseract 时遇到了一些问题。我需要将 Tesseract 配置为接受单个数字，同时也只能接受数字，因为数字 0 经常与“O”混淆。

像这样：

target = pytesseract.image_to_string(im,config='-psm 7',config='outputbase digits')

【问题讨论】：

标签： python ocr tesseract

【解决方案1】：

tesseract-4.0.0a 支持以下psm。如果要识别单个字符，请设置psm = 10。如果你的文字只包含数字，你可以设置tessedit_char_whitelist=0123456789。

Page segmentation modes:
  0    Orientation and script detection (OSD) only.
  1    Automatic page segmentation with OSD.
  2    Automatic page segmentation, but no OSD, or OCR.
  3    Fully automatic page segmentation, but no OSD. (Default)
  4    Assume a single column of text of variable sizes.
  5    Assume a single uniform block of vertically aligned text.
  6    Assume a single uniform block of text.
  7    Treat the image as a single text line.
  8    Treat the image as a single word.
  9    Treat the image as a single word in a circle.
 10    Treat the image as a single character.
 11    Sparse text. Find as much text as possible in no particular order.
 12    Sparse text with OSD.
 13    Raw line. Treat the image as a single text line,
                        bypassing hacks that are Tesseract-specific.

这里是image_to_string 的示例用法，带有多个参数。

target = pytesseract.image_to_string(image, lang='eng', boxes=False, \
        config='--psm 10 --oem 3 -c tessedit_char_whitelist=0123456789')

希望这会有所帮助。

【讨论】：

这不是一个新问题。这是您的解决方案的后续行动，它直接从您提供的内容中推断出来。如果您愿意提及您曾经将参数用于白名单的 tesseract 版本，这将有所帮助。请再看一遍我的评论，你会明白的。
想知道OEM是什么意思的人，请点击这里wilsonmar.github.io/tesseract
我可以请你看看这里的 Tesseract 相关问题：stackoverflow.com/questions/66946835/…?

【解决方案2】：

您遇到问题的原因是字符限制在 4.0 版本中不起作用。您必须强制使用旧模式 (oem 0) 才能限制找到的字符。 tesseract 团队中的某个地方存在他们尚未解决的错误。

【讨论】：

我已经用 oem=0 试过了，但效果不佳。但是有三个选项： tessedit_char_blacklist 不识别的字符黑名单 tessedit_char_whitelist 识别字符的白名单 tessedit_char_unblacklist 要覆盖的字符列表 tessedit_char_blacklist
我认为在 4.1 中已修复？

【解决方案3】：

Tesseract 版本 5.0.0-alpha 可以使用以下命令：（使用 psm=13 和 oem=1 或 3）

pytesseract.image_to_string(export_image ,lang='eng', config='--psm 13 --oem 1 -c tessedit_char_whitelist=ABCDEFG0123456789')

请注意，采用 eng 训练数据集：https://github.com/tesseract-ocr/tessdata_fast/blob/master/eng.traineddata

注意：在 +-60x60px 的单字符二进制输入图像上测试

【讨论】：

【解决方案4】：

页面分割模式：

仅限方向和脚本检测 (OSD)。
使用 OSD 自动分割页面。
自动页面分割，但没有 OSD 或 OCR。（未实施）
全自动页面分割，但没有 OSD。（默认）
假设有一列大小可变的文本。
假设一个统一的垂直对齐文本块。
假设一个统一的文本块。
将图像视为单个文本行。
将图像视为一个单词。
将图像视为圆圈中的单个单词。
将图像视为单个字符。
稀疏文本。尽可能不按特定顺序查找文本。
带有 OSD 的稀疏文本。
原始线。将图像视为单个文本行，绕过特定于 Tesseract 的 hack。

OCR 引擎模式：

仅限旧版引擎。
仅限神经网络 LSTM 引擎。
旧版 + LSTM 引擎。
默认，基于可用的内容。

【讨论】：