改善tesseract结果（pytesseract）

Question

我一直在TMS-like服务器上下载瓷砖，显示一些＆＃34; google tiles＆＃34;与geodatas。这些数据是法国乡镇，根据地图的传说设置了一些特定的颜色。

我编写了一个算法，主要使用PIL处理图块（如图片），然后再将它们呈现给tesseract（使用pytesseract）。最后，我知道了瓷砖的位置（以及知道哪个乡镇可能在该区域内），我使用模糊模糊过程。提取过去试图找出找到的乡镇。

到目前为止，一些不能处理tesseract任何结果的图片对我来说似乎相对较好（尽管它并不完美，但你可以不同地阅读法语名称＆＃34; Sainte Honorine de Ducy＆＃ 34;）：

我应该确切地说，在这种情况下，原始图块大约是1500x3000像素（我已经扩展了图块的大小）。

我还修改了pytesseract以通过＆＃39; bazaar＆＃39;在doc加上自定义用户词＆＃39;中提到的关键字包含该地区的乡镇。那个说法，我只能找到＆＃34; bazaar＆＃34; tesseract 1 documentation中的引用，没有比最新文档中的链接更好的内容。事实上，我似乎记得有一篇关于文档错误的帖子......对于它的价值，它似乎并没有改变结果。

你有什么建议吗？特别是，您认为图片的质量是否足够好以期望获得可靠的结果？

我对使用这些特定字体自行训练tesseract几乎一无所知。考虑到（并且我不管理数据源，我甚至不知道使用了什么字体...），我希望你可能有更好的建议而不是采取这个（巨大的）飞跃。

PS：我知道我也许不应该在没有任何代码的情况下发布这个问题，但我更需要全球指导...无论如何我都会发布任何需要的代码！

Answer 1

我认为问题是文字与图像尺寸相比太小了。

您应该应用更多图像转换来查找文本所在的更精确区域，尝试使用morphological transformations，然后使用文本区域find the contours。看看this教程，它与OpenCV一起使用。

我尝试使用GIMP裁剪图像，然后将其调整大小以使其更大：

pytesseract的结果是：

Saiptnmnorine-de-Ducy

这是可以接受的，其他一些使用fuzzywuzzy的处理你可以得到正确的名字。