為什么 tesseract 不能提取具有黑色背景的文本？

Question

我附上了一個非常簡單的文本圖像，我想要從中獲取文本。 它是黑色背景的白色。 在肉眼看來，它似乎是絕對清晰的，但顯然對它來說是垃圾。 我嘗試更改 oem 和 psm 參數，但似乎沒有任何效果。 請注意，這適用於其他圖像，但適用於這個。

請嘗試在您的機器上運行它，看看它是否有效。 否則我可能不得不完全改變我的 ocr 引擎。

注意：在我嘗試在圖像周圍添加黑色像素以幫助提取過程之前，它一直在工作。 另外我不認為 tesseract 是在白色背景上的黑色文本上訓練的。 它也應該能夠做到這一點。 另外，如果這是真的，為什么它適用於與此格式相同的其他文本圖像

編輯：奇跡般地，我再次嘗試運行腳本，這次它能夠正確提取 Chand，但在下面提到的情況下失敗了。 另請查看我使用的參數。 我已經閱讀了文檔，我覺得這將是正確的選擇。 我已添加圖片供您參考。 這不僅僅是這張圖片。 為什么 tesseract 對於如此簡單的用例會失敗？

Answer 1

要找到所需的結果，您需要了解以下內容：

• 頁面分割模式

• 建議的圖像處理方法

輸入圖像用粗體書寫，我們需要縮小粗體字體，然后假設 output 為單個統一的文本塊。

為了縮小圖像，我們可以使用侵蝕

結果將是：

侵蝕	結果
	CHAND
	BAKLIWAL

代碼：

---

# Load the library
import cv2
import pytesseract

# Initialize the list
img_lst = ["lKpdZ.png", "ZbDao.png"]

# For each image name in the list
for name in img_lst:

    # Load the image
    img = cv2.imread(name)

    # Convert to gry-scale
    gry = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # Erode the image
    erd = cv2.erode(gry, None, iterations=2)

    # OCR with assuming the image as a single uniform block of text
    txt = pytesseract.image_to_string(erd, config="--psm 6")
    print(txt)