Computer vision tesseract-如何处理字符分隔符

如何正确处理使用tesseract（预处理或通过特殊tesseract配置）识别字符分隔符内的文本，尤其是梳型（第三幅图像），如以下三幅图像所示：

https://i.stack.imgur.com/Jb5Qd.png
https://i.stack.imgur.com/GhzCa.png
https://i.stack.imgur.com/rI4c1.png

1） 我试图对其执行OCR的特定图像如下所示。 图像清晰，分辨率高，无噪声。如果将此图像直接输入tesseract（尝试了几乎所有的页面段模式），则输出如下：

1
11, 9;9j1 | 0,7 4142 |

正如所观察到的，数字是正确的OCR，并显示为提取文本的子集。然而，分离器也被识别为“1”、“7”、“4”、“|”。预计产量为1992 07 12

2） 我不熟悉图像识别。图像预处理是OCR之前的一个重要步骤。我尝试了从左、下、右三个方向进行泛光填充，以移除字符分隔符。这一概念取材于此： 虽然此解决方案适用于此特定映像，但它肯定不是通用解决方案。由于这些字符分隔符在许多形式中都很常见，因此必须有一种很好的方法来提取文本

3） 我曾尝试过谷歌搜索，但在搜索结果的前10页中找不到任何可靠的内容（在不相关的主题上有很多噪音）。我的搜索词是“tesseract字符分隔符”。搜索结果不佳可能是因为搜索词选择不当，这与CV社区使用的搜索词不同

---

4） 我试过abbyy finereader，文本识别没有问题。但是，此应用程序是付费的，并且是封闭源代码

有很多方法可以解决你的问题。例如，如果构成单元的线已连接，则可以使用opencv过滤大型连接组件

gray = cv2.imread('path_to_your/image.png', 0)
_, blackAndWhite = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)

nlabels, labels, stats, centroids = cv2.connectedComponentsWithStats(blackAndWhite, None, None, None, 8, cv2.CV_32S)
sizes = stats[1:, -1]
img2 = np.zeros((labels.shape), np.uint8)

for i in range(0, nlabels - 1):
    if sizes[i] <= 5000:   #CHANGE THIS VALUE TO CHANGE THRESHOLD.
        img2[labels == i + 1] = 255

res = cv2.bitwise_not(img2)

cv2.imshow('res.png', res)
cv2.waitKey(0)

gray=cv2.imread（'path\u to\u your/image.png'，0）
_，blackAndWhite=cv2.阈值（灰色，127255，cv2.阈值\u二进制\u INV）
NLabel、label、stats、centroids=cv2.connectedComponentsWithStats（黑白、无、无、无、8、cv2.CV_32S）
大小=统计数据[1:，-1]
img2=np.zero（（labels.shape），np.uint8）
对于范围（0，nlabels-1）中的i：
如果[i]@GhostCat我已经改进了我的帖子，希望有人能给我一些指导/建议。互联网上与识别字符分隔符内字符相关的信息严重缺乏。这意味着我可能做错了什么，这就是为什么我要发布这些问题。除了我已经更新的信息之外，我不确定还能提供什么其他信息。如果您有任何建议，请发布更新。我认为现在看起来更好了！祝你好运不应该是“1991 07 12”吗？