Tesseract显示乱码

Question

我正在使用pytesseract库来创建OCR翻译不一致机器人。 但是tesseract的输出完全是乱码的90％，我不明白为什么。

我尝试使用的图像已被裁剪到我要使用的区域。 我试图通过PIL将图像转换为灰度，但是pytesseract将不输出任何内容。

我正在使用pytesseract（0.2.7）和tesseract（v5 alpha）的最新版本

我使用以下代码从互联网获取图像，将其通过tesseract传递，然后（注释）翻译文本。

from PIL import Image
import requests
import pytesseract
from io import BytesIO

from translate import Translator

translator = Translator(from_lang="autodetect", to_lang="en")

response = requests.get('https://image.prntscr.com/image/acqm3LDeSJOHtUZEMfA9eA.png')

#image = Image.open(BytesIO(response.content)).convert('LA')
image = Image.open(BytesIO(response.content))
string = pytesseract.image_to_string(image, lang='fra')
#image.save('greyscale.png')

print(string.format())

#translation = translator.translate(string)

#print(translation)

我从tesseract获得的输出可以在这里找到： https : //pastebin.com/kDYuTE4Q

我对tesseract和python都是全新的，所以我可能在做一些根本性的错误，或者我从tesseract提出了一些目前尚无法解决的问题。

Answer 1

只需反转图像即可获得很多好处。 Tesseract似乎更喜欢在白色背景上的黑色文本。 另外，通过增加对比度，我得到了一些改进。

from PIL import Image, ImageOps
import requests
import pytesseract
from io import BytesIO


pytesseract.pytesseract.tesseract_cmd = 'C:\\Program Files (x86)\\Tesseract-OCR\\tesseract.exe'

response = requests.get('https://image.prntscr.com/image/acqm3LDeSJOHtUZEMfA9eA.png')

image = Image.open(BytesIO(response.content))

if image.mode == 'RGBA':
    r,g,b,a = image.split()
    image = Image.merge('RGB', (r,g,b))

image = ImageOps.invert(image)

contrast = ImageEnhance.Contrast(image)
image = contrast.enhance(2)

config = ("--psm 6")

txt = pytesseract.image_to_string(image, config = config, lang='fra')

print(txt)

一点讨论。 原始的PNG图像具有一个alpha通道，该通道给出了反转操作问题。 因此，我们采取了一种技巧，将图像分成单独的通道，然后合并回RGB图像。 ImageEnhance模块具有一些难以理解的语法，但可以使用，并且您可以了解如何使用它。

这是输出：

Je savais niveau 28
lly a Tl heures
Bonne nuit
lly a Tl heures
Je sors mon chien je reviens après
Ilya 1l heures
Je t en reprendrai un demain écris moi quand tu es en
ligne
Ilya 1l heures
Bonne nuit
y a f heures
Oki
Ily a T1 heures

不错。 时间戳记不是很好，但是如果您查看原始图像，则这些字母的分辨率不是很好。 但是，如果您对图像进行更多处理（对比度，阈值等），也许可以获得更好的结果。