Tesseract ocr output 在檢測到的文本之間有單個字符

Question

我正在嘗試使用 Tesseract 從下圖中提取，

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

這是 tesseract 4 ocr 的結果，

print(text)

Wrote Datastream application 
e Used Kafka to get the accounts

如果您看到圖像中的項目符號點被轉換為e ，我發現文檔中的幾個這樣的點被轉換為 ascii 中的單個字符

如果有人熟悉此類問題並有解決方案，請告訴我。

Answer 1

我有一個建議，也許最好刪除項目符號。

• 刪除要點的一種解決方案是應用adaptive-threshold

• 如果我們對當前圖像應用adaptive-threshold ：

  • 

• 現在，如果我們閱讀它：

  •  Wrote Datastream application | Used Kafka to get the accounts

代碼：

---

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)

---

請讓我告訴您，我的示例代碼可能不適用於所有圖像。 由於圖像可能具有不同的偽影或需要額外的處理。 您可能需要更改adaptive-threshold的block-size和C參數。 因此，請從閱讀自適應閾值開始