Tesseract无法识别某些数字

Question

我最开始写了一个简单的脚本来读取图片数据。这里是我的Ruby代码，它使用RTesseract来读取：

require 'rtesseract'
require 'mini_magick'

RTesseract.configure do |config|
    config.processor = "mini_magick"
end

image = RTesseract.new("myImage.jpg")
puts image.to_s

我使用了这张图片作为起点：
结果返回的是：132B 4。

我知道0会返回成B（我可以解决）。但是接下来的3、0和8却没有返回。现在我知道它已经知道如何读取3和0了，因为它在第一个数字中已经读出来了。我想它可能在渲染后面的数字时遇到了一些问题，所以我将其变成了黑白色。

这是我尝试的第二张图片：
然而，结果仍然是132B 4。

最后，我剪切了图片并只尝试了最后3个数字。

这是图片：
但是当我运行脚本时，它没有返回任何结果。有什么想法为什么我无法读取最后几个数字吗？

我正在使用Ruby 2.2.2、rTesseract 2.1.0和MiniMagick 4.5.1。

我正在使用Tesseract 3.04.01。

- dev

---

将图像转换为黑色文字在白色背景上，并消除图像压缩伪影，类似于@eric-duminil的建议。据传，对于一致且已知的字体，我个人更倾向于自己进行基于像素差异的字符匹配，以获得更好的准确性。 - Kache

@Kache：听起来很有趣。你有链接吗？ - Eric Duminil

@EricDuminil 啊，我没有链接。这是一个非常天真的方法：1.修改并切割文本以获得标准化的黑白字符2.数据挖掘可能出现在字体中的所有可能字符图像和变体3.选择具有最少像素差异的字符，使用一些技巧来不需要计算每个字符的每个像素（例如字符像素高度/宽度，黑/白像素数等） - Kache

Answer 1

我在我的Linux Mint 17机器上测试了您的脚本，使用的是tesseract 3.03、Ruby 2.1.5和MiniMagick 4.5.1。

它还返回132B 4。

如果您确定数字已编码，可以尝试：

image = RTesseract.new("myImage.jpg", options: :digits)

它返回13223 4。

启动tesseract而不带参数会给出可能选项的列表。"pagesegmode 7"看起来很有趣：7 = 将图像视为单个文本行。

所以：

image = RTesseract.new("myImage.jpg", options: :digits, psm: 7)

它返回13223 4 3 21 8。

对于您的第二张图片，它返回3 21 8。

我认为现在最大的问题是JPG伪像非常强烈，数字和背景之间的对比度相对较低。使用PNG图像可能会产生更好的结果。

使用gimp，我将图像调整为200px高度，紧贴数字进行裁剪以去除一些伪像，使用Colors / Threshold在150处，反转图像并保存为png：

Rtesseract返回：

1320 4 3 0 8

使用Image Magick，这个命令可以实现相同的结果：

convert myImage.jpg -geometry x200 -threshold 13% -negate myImage.png

- Eric Duminil

---

我按照你的指示操作了一遍，差不多就成功了。我得到了132. 4 3 8这个结果。所以似乎还是有零的问题。你对此有何想法？ - dev

（注意：它在第一个0后面放了一个“。”，而在第二个0后面没有放任何东西）请返回翻译后的文本。 - dev

你能否更新Tesseract，或者尝试调整阈值？ - Eric Duminil

看起来我已经跟上了Tesseract的最新版本。我之前编写的是rTesseract版本。Tesseract目前的版本是3.04.01。 - dev

通过将图像裁剪到数字并将阈值提高到20％，使其正常工作。感谢您的帮助！ - dev