Tesseract ocr output 在检测到的文本之间有单个字符

Question

我正在尝试使用 Tesseract 从下图中提取，

text = pytesseract.image_to_string(image, config='-c preserve_interword_spaces=1 --psm 1 --oem 1')

这是 tesseract 4 ocr 的结果，

print(text)

Wrote Datastream application 
e Used Kafka to get the accounts

如果您看到图像中的项目符号点被转换为e ，我发现文档中的几个这样的点被转换为 ascii 中的单个字符

如果有人熟悉此类问题并有解决方案，请告诉我。

Answer 1

我有一个建议，也许最好删除项目符号。

• 删除要点的一种解决方案是应用adaptive-threshold

• 如果我们对当前图像应用adaptive-threshold ：

  • 

• 现在，如果我们阅读它：

  •  Wrote Datastream application | Used Kafka to get the accounts

代码：

---

import cv2
import pytesseract

img = cv2.imread("4XMue.png")
gry = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
thr = cv2.adaptiveThreshold(gry, 255, cv2.ADAPTIVE_THRESH_MEAN_C,
                            cv2.THRESH_BINARY, 11, 131)
txt = pytesseract.image_to_string(thr)
print(txt)

---

请让我告诉您，我的示例代码可能不适用于所有图像。 由于图像可能具有不同的伪影或需要额外的处理。 您可能需要更改adaptive-threshold的block-size和C参数。 因此，请从阅读自适应阈值开始