通过使用pytesseract和PIL提高文本识别的准确性

Question

我正在尝试从图像中提取文本。由于图像的质量和大小不好，它会给出不准确的结果。我尝试了一些使用PIL的增强和其他方法，但这只会使图像的质量变得更糟。

有人能建议一些图像增强技术以获得更好的结果。以下是一些图像示例：

- sprksh

---

据我所了解，stackoverflow 上有相当严格的规则之一是专注于回答问题，而不是展示如何实现目标的其他方法，如果没有被问到的话。因此，如果您想要得到可以给您更好结果但不基于增强图像的答案，可以在您的问题中提出要求。 - Claudio

将我的回答标记为已接受怎么样？我有遗漏解释什么吗？ - Claudio

请再次查看我的答案-我对其进行了一些解释。 - Claudio

请耐心等待。我使用了 PIL 应用了该概念并放大了图像，但结果不是完全准确的。我还没有接受答案，希望能得到更多的回答。 - sprksh

你还相信你会得到更多的答案吗？ - Claudio

我认为现在是时候结束这个问题/答案循环了，这样每个人都能看到问题已经得到解答了... - Claudio

Answer 1

在提供的图像示例中，文本视觉上质量相当不错，那么OCR为什么会给出不准确的结果呢？

为了说明本答案后续文本中所给出的结论，让我们运行给定的图像。

通过Tesseract进行OCR识别。以下是Tesseract OCR的结果：

"fhpgearedmomrs©gmachom"

现在让我们将图像缩小四倍并对其应用阈值处理。我已经在Gimp中手动完成了缩放和阈值处理，但是通过适当的缩放方法和PIL的阈值值，它肯定可以自动化，以便在增强后您可以获得类似于我所获得的增强图像的图像：

改进后的图像通过Tesseract OCR处理后得到以下文本：

"fhpgearedmotors©gmail.com"

这表明放大图像可以帮助实现提供的文本和图像示例的100％准确度。

放大图像有助于提高OCR准确性，可能看起来很奇怪，但是OCR是为将印刷媒体的扫描转换为文本而开发的，并且根据设计期望文本的300 dpi图像。这就解释了为什么一些OCR程序没有自行调整文本大小以改善其结果，并在小字体上表现不佳，期望图像更高的dpi分辨率，可以通过放大来实现。

下面是Tesseract FAQ on github.com的一段摘录，证明了上述说法：

[合理精度需要最小文本大小。您必须考虑分辨率和字号。在10pt x 300dpi以下，准确性会下降，而在8pt x 300dpi以下会迅速下降。一个快速的检查方法是计算字符x高度的像素数。（X高度是小写字母x的高度。）在10pt x 300dpi时，x高度通常约为20像素，尽管这可以因字体而异。在x高度低于10个像素的情况下，您几乎没有获得准确结果的机会，在大约8个像素以下，大部分文本将被“去噪”。]

- Claudio

---

非常好的解释和答案。我一直在研究从图像中读取文本（用于识别文档部分的软件），我想知道您是否成功获得了某种动态变量，以确定必须放大图像多少次才能识别文本？对于800x800的图像，如果将其放大到1600x1600，则可以识别所有内容，但是，对于30x800的图像，需要将其放大到120x3200才能识别所有内容（逗号，点，斜杠等）。此外，您知道为什么单词“文件”无法很好地被识别吗？字母“i”不属于英文字母表。 - Vulovic Vukasin