為什么 pytesseract 無法識別背景較暗的圖像中的數字？

Question

我有這個 python 代碼，我用來將寫在圖片中的文本轉換為字符串，它確實適用於某些具有大字符的圖像，但不適用於我現在正在嘗試的僅包含數字的圖像。

這是圖片：

這是我的代碼：

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)

為什么無法識別此特定圖像，我該如何解決此問題？

Answer 1

我有兩個建議。

首先，這是迄今為止最重要的，在 OCR 中預處理圖像是獲得良好結果的關鍵。 在你的情況下，我建議二值化。 您的圖像看起來非常好，所以您不應該有任何問題，但如果您有問題，那么也許您應該嘗試對圖像進行二值化：

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)

然后使用二值化圖像再次嘗試 ocr。

檢查您的圖像是否為灰度圖像，並在需要時取消注釋。

這是簡單的閾值。 自適應閾值也存在，但它很嘈雜，並且不會為您帶來任何好處。

Tesseract 更容易處理二值化圖像。 這已經在內部完成（ https://github.com/tesseract-ocr/tesseract/wiki/ImproveQuality ）但有時事情可能會搞砸，而且通常進行自己的預處理很有用。

您可以通過查看圖像來檢查閾值是否正確：

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

其次，如果我上面說的仍然不起作用，我知道這不能回答“為什么 pytesseract 在這里不起作用”，但我建議您嘗試使用 tesserocr。 它是 Tesseract 的維護 Python 包裝器。

你可以試試：

import tesserocr
text_from_ocr = tesserocr.image_to_text(pil_img)

這是來自 pypi 的 tesserocr 文檔： https ://pypi.org/project/tesserocr/

而對於 opencv： https : //pypi.org/project/opencv-python/

附帶說明一下，在 Tesseract 中，黑色和白色是對稱處理的，因此黑色背景上的白色數字不是問題。