使用 Pytesseract OCR 从表格图像中识别特定数字

Question

我想从附加的图像（png 文件）中读取一列数字。

我的代码是

import cv2
import pytesseract
import os

img = cv2.imread(os.path.join(image_path, image_name), 0)
config= "-c 
        tessedit_char_whitelist=01234567890.:ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz"

pytesseract.image_to_string(img, config=config)

这段代码给了我输出字符串：'n113\\nun\\n1.08'。 正如我们所见，有两个问题：

1. 它无法识别 1.13 中的小数点（见附图）。
2. 它完全无法读取 1.11（见附图）。 它只返回“修女”。

这些问题的解决方案是什么？

最好的

Answer 1

您需要对图像进行预处理。 一种简单的方法是调整图像大小，转换为灰度，然后使用 Otsu 阈值获得二值图像。 从这里我们可以应用轻微的高斯模糊，然后反转图像，以便提取的所需文本为白色，背景为黑色。 这是准备好用于 OCR 的处理过的图像

OCR 的结果

1.13
1.11
1.08

代码

import cv2
import pytesseract
import imutils

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

# Resize, grayscale, Otsu's threshold
image = cv2.imread('1.png')
image = imutils.resize(image, width=400)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]

# Blur and perform text extraction
thresh = 255 - cv2.GaussianBlur(thresh, (5,5), 0)
data = pytesseract.image_to_string(thresh, lang='eng',config='--psm 6')
print(data)

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