Question

我遇到了pytesseract的问题。我知道你可以使用命令行参数将tesseract限制为一组特定的字符：

tesseract input.tif output nobatch digits

我发现一些人说他们可以在python中用以下几行来限制tesseract：

import tesseract
ocr = tesseract.TessBaseAPI();
ocr.Init(".","eng",tesseract.OEM_TESSERACT_ONLY)
ocr.SetVariable("tessedit_char_whitelist", "0123456789")

但这是使用tesseract API，我使用pytesseract ....最后我也尝试过：

print(image_to_string(someimage, config='outputbase digits'))

但这并不起作用，因为我的输出中仍然有字母。这很奇怪，因为我使用下面的代码，它正在工作：

print(image_to_string(screen, config='-psm 10'))

PSM代表PageSegmentationMode，它允许我将我的图像文件解析为单个字符。我不明白为什么这样做有效，而之前的片段并不是什么时候它们都是tesseract的命令行参数......

有人可以帮忙吗？我想将这两个选项与自定义wordlist一起使用（我在tesseract的config文件夹中创建）。

Answer 1

终于找到了解决方案，如果它可以帮助任何人......这是来自tesseract帮助页面：

最简单的tesseract调用：

tesseract imagename outputbase

我可以从中推断出正确的语法（实际上，我在堆栈上发现的所有东西都指向了错误的方向，可能是因为tesseract的不同版本）。请记住，我正在使用tesseract 3.05（在GitHub上提供win安装程序）和pytesseract（从pip安装）。

image_to_string(someimage, config='digits -psm 7')

正如我们在帮助页面上看到的那样，outputbase参数首先出现在文件名之后，而在其他选项之前，这允许使用PSM和amp;限制性的charset。

来自tesseract帮助页面的所有命令行参数都可以这样使用，在 config 变量!!

PyTesseract - 将OCR限制为一组字符

1 个答案: