改善 tesseract 结果 (pytesseract)

Question

我一直在从 TMS-like 服务器下载图块，其中显示了一些带有地理数据的“谷歌图块”。这些数据是法国的乡镇，根据地图的图例设置了一些特定的颜色。

我编写了一个算法，主要使用 PIL 来处理图块（作为图片），然后再将它们呈现给 tesseract（使用 pytesseract）。最后，知道了瓦片的位置（然后知道哪些乡镇可能在该区域内），我使用fuzzywuzzy process.extractBests 来尝试识别找到了哪个乡镇。

到目前为止，一些没有处理任何来自 tesseract 的结果的图片对我来说似乎还不错（虽然它并不完美，但你可以清楚地阅读法语名称“Sainte Honorine de Ducy”） ：

我应该准确地说，在这种情况下，原始图块大约为 1500x3000 像素（我已经扩展了图块的大小）。

我还修改了 pytesseract 以传递文档中提到的“集市”关键字以及包含该地区乡镇的自定义“用户词”。也就是说，我只能在tesseract 1 documentation 中找到“集市”参考，没有比最新文档中的链接更好的了。事实上，我似乎记得某处有一篇文章说它是文档中的一个错误......不管它的价值是什么，它似乎并没有改变这里的结果。

你有什么建议吗？尤其是，您认为图片的质量是否足以期待可靠的结果？

我对使用这些特殊字体自己训练 tesseract 几乎一无所知。考虑到这一点（而且我不管理数据源，我什至不知道使用什么字体......），我希望你可能有比采取这种（巨大）飞跃更好的建议......

PS：我知道我可能不应该在没有任何代码的情况下发布这个问题，但我更需要在这里获得全球指导......无论如何我都会发布任何所需的代码！

Answer 1

我认为问题在于文本与图像大小相比太小了。

您应该应用更多的图像转换来找到文本所在的更精确区域，尝试使用 morphological transformations 和文本区域的 find the contours。也可以看看this教程，它是用OpenCV的。

我尝试使用 GIMP 裁剪图像，然后将其调整为更大一点：

pytesseract 的结果是：

Saiptnmnorine-de-Ducy

这是可以接受的，通过使用fuzzywuzzy 进行一些其他处理，您可以获得正确的名称。