Tesseract 在图像上执行 OCR 时返回乱码

Question

我正在尝试使用 Tesseract 读取图像，但它返回胡言乱语。 我知道我需要做一些预处理，但我在网上找到的似乎不适用于我的图像。 我尝试这个答案将图片从黑色背景/白色字母转换为白色背景/黑色字母，但没有成功。

这是图片。

还有我的简单代码：

from PIL import Image
import pytesseract

pytesseract.pytesseract.tesseract_cmd = r'D:\Tesseract-OCR\tesseract'

img = Image.open("2020-01-25_17-57-49_UTC.jpg")
print(pytesseract.image_to_string(img))

Answer 1

在 SO 上找到的修补代码

from PIL import Image
import PIL.ImageOps
import pytesseract

img = Image.open("8pjs0.jpg")
inverted_image = PIL.ImageOps.invert(img)
print(pytesseract.image_to_string(inverted_image))

给我

Dolar Hoy en Cucuta

25-Enero-20
01:00PM

78.048
VENTA

我认为您需要为重音字符提供某种语言包。

Answer 2

一个简单的 Otsu 阈值来获得二值图像，然后反转以获得黑色字母和白色背景似乎有效。 我们使用--psm 3告诉 Pytesseract 执行自动页面分割。 查看Pytesseract OCR multiple config options以获取更多配置选项。 这是预处理后的图像

Pytesseract OCR 的结果

Dolar Hoy en Cucuta

25-Enero-20
01:00PM

78.048
VENTA

代码

import cv2
import numpy as np
import pytesseract

pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

# Load image, grayscale, threshold, invert
image = cv2.imread('1.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]
result = 255 - thresh

# Perfrom OCR with Pytesseract
data = pytesseract.image_to_string(result, config='--psm 3')
print(data)

cv2.imshow('result', result)
cv2.waitKey()