Python 如何使用Tesseract获取图像文本

我从我的pdf中获得了这张裁剪过的图像：

在预处理之后，这就是我将其馈送给Tesseract OCR的方式

text = pytesseract.image_to_string(img, lang='eng')

但是ocr'ed

文本

是空的

编辑：

我加载完整的图像并将其裁剪到这个位置。一旦它被裁掉，我就用磨刀过滤器把它磨掉，然后去掉盐和胡椒

pages = convert_from_path("../data/2.pdf", fmt='JPEG',
                          poppler_path=r"D:\poppler-0.68.0\bin")

reader = easyocr.Reader(['en']) # need to run only once to load model into memory
for page in pages:

      page.save('image.jpg', 'JPEG')
      image = cv2.imread('image.jpg')
        
      img = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
      img = img[cord[2]:cord[3], cord[0]:cord[1]]
      kernel = np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])
      img = cv2.filter2D(img, -1, kernel)
      img = cv2.medianBlur(img, 3)
      text = pytesseract.image_to_string(img)

此图像是PDF的一部分。PDF转换为jpg，然后再次加载，然后通过给出BB坐标裁剪出该部分

编辑： 使用以下示例，这是预处理后的输出：

但它打印的ocr'ed

文本

输出仍处于关闭状态：

AQ@O FCI

---

我有一个两步解决方案

---

• 应用膨胀，然后进行腐蚀（）
• 应用阈值

---

现在我们为什么要先扩张，再侵蚀

正如我们所见，输入图像由每个字符周围的伪影组成。应用关闭操作将减少工件

人工制品减少了，但没有完全消失。因此，如果我们申请，结果将是：

现在图像适合阅读：

AOF CIF

代码：

---

导入cv2
从PyteSeract导入图像到字符串
img=cv2.imread（“7UGLJ.png”）
gry=cv2.CVT颜色（img，cv2.COLOR\u BGR2GRAY）
（h，w）=灰色形状[：2]
gry=cv2。调整大小（gry，（宽*2，高*2））
cls=cv2.形态学（gry，cv2.形态闭合，无）
thr=cv2.自适应阈值（cls，255，cv2.自适应阈值平均值，
cv2.THRESH_二进制，41,10）
txt=图像到字符串（thr）
打印（txt）

我有一个两步解决方案

---

• 应用膨胀，然后进行腐蚀（）
• 应用阈值

---

现在我们为什么要先扩张，再侵蚀

正如我们所见，输入图像由每个字符周围的伪影组成。应用关闭操作将减少工件

人工制品减少了，但没有完全消失。因此，如果我们申请，结果将是：

现在图像适合阅读：

AOF CIF

代码：

---

导入cv2
从PyteSeract导入图像到字符串
img=cv2.imread（“7UGLJ.png”）
gry=cv2.CVT颜色（img，cv2.COLOR\u BGR2GRAY）
（h，w）=灰色形状[：2]
gry=cv2。调整大小（gry，（宽*2，高*2））
cls=cv2.形态学（gry，cv2.形态闭合，无）
thr=cv2.自适应阈值（cls，255，cv2.自适应阈值平均值，
cv2.THRESH_二进制，41,10）
txt=图像到字符串（thr）
打印（txt）

这个问题正在cc@GINOMEMPINY上讨论。您的代码会给您带来一个缩进错误-因此这不是您正在运行的。这对so来说不是一个好问题。你的代码是有效的——只是tesseract所做的OCR并没有达到你大脑所能做到的“标准”——这让人大吃一惊。要进行的预处理的选择高度依赖于输入-对一个图像有效的方法可能对其他图像有效，也可能对其他图像无效。Diskussing为预处理做的事情更像是一个教程，而不是这里可以/应该做的事情。我建议研究预处理图像的方法——甚至有一些更老的帖子可以做到这一点：一些其他的ocr问题可能会帮助你：。。。（谷歌：ocr dilatate侵蚀改善网站：stackoverflow.com）编辑：将斑点图像重新插入（没有这个Q是没有意义的）并修复了缩进错误（早期的修订版没有，所以可能是编辑造成的）这个问题正在cc@GINOMEMPINY上讨论。你的代码会给你一个缩进错误-所以这不是你正在运行的。这对so来说不是一个好问题。你的代码是有效的——只是tesseract所做的OCR并没有达到你大脑所能做到的“标准”——这让人大吃一惊。要进行的预处理的选择高度依赖于输入-对一个图像有效的方法可能对其他图像有效，也可能对其他图像无效。Diskussing为预处理做的事情更像是一个教程，而不是这里可以/应该做的事情。我建议研究预处理图像的方法——甚至有一些更老的帖子可以做到这一点：一些其他的ocr问题可能会帮助你：。。。（google with:ocr dilatate侵蚀改善网站：stackoverflow.com）编辑：将斑点图像重新插入（没有这个Q是没有意义的）并修复了缩进错误（早期的修订版没有，所以可能是编辑引起的）。这个问题可能是离题的，但如何选择具体的图像处理步骤来应用呢？这是一次试射吗？或者通过经验学习图像更清晰，但它不会打印任何东西你的pytesseract版本是什么？也许你应该更新'0.3.7'…。@PatrickArtner很抱歉，我希望输出

print（pytesseract.get\u tesseract\u version（））

，它是4.1.1。你说得对，谢谢你的警告。下次我会更加小心。这个问题可能会偏离主题，但如何选择具体的图像处理步骤来应用呢？这是一次试射吗？或者通过经验学习图像更清晰，但它不会打印任何东西你的pytesseract版本是什么？也许你应该更新'0.3.7'…。@PatrickArtner很抱歉，我希望输出

print（pytesseract.get\u tesseract\u version（））

，它是4.1.1。你说得对，谢谢你的警告。下次我会更小心的。