为什么 pytesseract 无法识别背景较暗的图像中的数字？

Question

我有这个 python 代码，我用来将写在图片中的文本转换为字符串，它确实适用于某些具有大字符的图像，但不适用于我现在正在尝试的仅包含数字的图像。

这是图片：

这是我的代码：

import pytesseract
from PIL import Image

img = Image.open('img.png')
pytesseract.pytesseract.tesseract_cmd = 'C:/Program Files (x86)/Tesseract-OCR/tesseract'
result = pytesseract.image_to_string(img)
print (result)

为什么无法识别此特定图像，我该如何解决此问题？

Answer 1

我有两个建议。

首先，这是迄今为止最重要的，在 OCR 中预处理图像是获得良好结果的关键。 在你的情况下，我建议二值化。 您的图像看起来非常好，所以您不应该有任何问题，但如果您有问题，那么也许您应该尝试对图像进行二值化：

import cv2
from PIL import Image

img = cv2.imread('gradient.png')
# If your image is not already grayscale :
# img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
threshold = 180 # to be determined
_, img_binarized = cv2.threshold(img, threshold, 255, cv2.THRESH_BINARY)
pil_img = Image.fromarray(img_binarized)

然后使用二值化图像再次尝试 ocr。

检查您的图像是否为灰度图像，并在需要时取消注释。

这是简单的阈值。 自适应阈值也存在，但它很嘈杂，并且不会为您带来任何好处。

Tesseract 更容易处理二值化图像。 这已经在内部完成（ https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality ）但有时事情可能会搞砸，而且通常进行自己的预处理很有用。

您可以通过查看图像来检查阈值是否正确：

import matplotlib.pyplot as plt
plt.imshow(img, cmap='gray')
plt.imshow(img_binarized, cmap='gray')

其次，如果我上面说的仍然不起作用，我知道这不能回答“为什么 pytesseract 在这里不起作用”，但我建议您尝试使用 tesserocr。 它是 Tesseract 的维护 Python 包装器。

你可以试试：

import tesserocr
text_from_ocr = tesserocr.image_to_text(pil_img)

这是来自 pypi 的 tesserocr 文档： https ://pypi.org/project/tesserocr/

而对于 opencv： https : //pypi.org/project/opencv-python/

附带说明一下，在 Tesseract 中，黑色和白色是对称处理的，因此黑色背景上的白色数字不是问题。