Pytesseract OCR 多配置选项

Question

Pytesseract OCR 多配置选项

71

我在使用pytesseract时遇到了一些问题。我需要配置Tesseract，使其能够识别单个数字，同时也只能接受数字，因为数字零经常与字母'O'混淆。

像这样：

target = pytesseract.image_to_string(im,config='-psm 7',config='outputbase digits')

- Niall Oswald

4个回答

14

页面分割模式：

仅方向和脚本检测（OSD）。
带有OSD的自动页面分割。
自动页面分割，但没有OSD或OCR。（未实施）
完全自动页面分割，但没有OSD。（默认）
假设文本是可变大小的单列。
假设文本是垂直对齐的单一块统一文本。
假定文本为单一块统一文本。
将图像视为单一文本行。
将图像视为单个单词。
将图像视为圆形中的单个单词。
将图像视为单个字符。
稀疏文本。按任意顺序尽可能多地查找文本。
带有OSD的稀疏文本。
原始行。将图像视为单个文本行，绕过Tesseract特定的黑客程序。

OCR引擎模式：

仅使用旧版引擎。
仅使用神经网络LSTM引擎。
使用旧版和LSTM引擎。
默认情况下，根据可用性确定。

- Jonel Dominic Tapang

我找到了一个全面的配置选项列表： https://muthu.co/all-tesseract-ocr-options/ - undefined

4

你遇到问题的原因是因为在4.0版本中字符限制不起作用。你需要强制使用旧模式（oem 0）来限制找到的字符数。Tesseract团队中存在某个尚未解决的漏洞。

- RALPH BURLESON

我已经尝试过使用oem=0，但效果不佳。然而，有三个选项可供选择：tessedit_char_blacklist（不识别字符的黑名单）、tessedit_char_whitelist（识别字符的白名单）和tessedit_char_unblacklist（覆盖tessedit_char_blacklist的字符列表）。 - Vilq

修复在4.1版中，我想是这样的吧？ - jtlz2

1

Tesseract版本5.0.0-alpha可以使用以下命令：（使用psm=13和oem=1或3）

pytesseract.image_to_string(export_image ,lang='eng', config='--psm 13 --oem 1 -c tessedit_char_whitelist=ABCDEFG0123456789')

请注意，采用了“eng”训练数据集：https://github.com/tesseract-ocr/tessdata_fast/blob/master/eng.traineddata

注：在单个字符的二进制输入图像上进行测试，大小约为+-60x60px。

- Matt

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- thewaywewere · Accepted Answer

tesseract-4.0.0a 支持以下 psm。如果您想进行单个字符识别，请设置 psm = 10。如果您的文本仅包含数字，则可以将 tessedit_char_whitelist=0123456789 设置为。

Tesseract-4.0.0a支持以下psm。如果您想进行单个字符识别，请设置psm = 10。如果您的文本仅包含数字，则可以将tessedit_char_whitelist = 0123456789设置为。

Page segmentation modes:
  0    Orientation and script detection (OSD) only.
  1    Automatic page segmentation with OSD.
  2    Automatic page segmentation, but no OSD, or OCR.
  3    Fully automatic page segmentation, but no OSD. (Default)
  4    Assume a single column of text of variable sizes.
  5    Assume a single uniform block of vertically aligned text.
  6    Assume a single uniform block of text.
  7    Treat the image as a single text line.
  8    Treat the image as a single word.
  9    Treat the image as a single word in a circle.
 10    Treat the image as a single character.
 11    Sparse text. Find as much text as possible in no particular order.
 12    Sparse text with OSD.
 13    Raw line. Treat the image as a single text line,
                        bypassing hacks that are Tesseract-specific.

这里是使用多个参数的image_to_string的示例用法。

target = pytesseract.image_to_string(image, lang='eng', boxes=False, \
        config='--psm 10 --oem 3 -c tessedit_char_whitelist=0123456789')