tesseract-如何处理字符分隔符

Question

如何使用tesseract（预处理或通过特殊的tesseract配置）以正确的方式处理字符分隔符内的文本，特别是梳子类型（第三幅图像），如以下三个图像所示：

https://i.stack.imgur.com/Jb5Qd.png
https://i.stack.imgur.com/GhzCa.png
https://i.stack.imgur.com/rI4c1.png

1）下面显示了我尝试对其执行OCR的特定图像。 图像清晰，高分辨率且无噪点。如果我将此图像直接输入到tesseract中（几乎在所有页面分段模式中都进行了尝试），则输出如下：

1
11, 9;9j1 | 0,7 4142 |

如所观察到的，数字正确为OCRed，并显示为提取文本的子集。但是，分隔符也被识别为“ 1”，“，”，“ 7”，“ 4”，“ |”。预期输出为1992 07 12。

2）我是图像识别的新手。图像预处理是OCR之前的重要步骤。我尝试从左，下和右进行泛洪以删除字符分隔符。该概念来自此处：https://www.learnopencv.com/filling-holes-in-an-image-using-opencv-python-c/ 尽管此解决方案适用于此特定图像，但绝对不是通用解决方案。由于这些字符分隔符以多种形式通用，因此必须有一种提取文本的好方法。

3）我尝试了谷歌搜索，但在结果的前10页中找不到任何可靠的内容（无关主题上的很多噪音）。我的搜索词是“ tesseract字符分隔符”。较差的结果可能是由于搜索词的选择不正确，这与CV社区使用的搜索词不同。

4）我尝试了abbyy finereader，并且可以毫无问题地识别文本。但是，此应用程序是付费的，并且是封闭源。

Answer 1

有很多方法可以解决您的问题。例如，如果连接了构成单元格的线-您可以使用opencv过滤大型连接的组件。

gray = cv2.imread('path_to_your/image.png', 0)
_, blackAndWhite = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)

nlabels, labels, stats, centroids = cv2.connectedComponentsWithStats(blackAndWhite, None, None, None, 8, cv2.CV_32S)
sizes = stats[1:, -1]
img2 = np.zeros((labels.shape), np.uint8)

for i in range(0, nlabels - 1):
    if sizes[i] <= 5000:   #CHANGE THIS VALUE TO CHANGE THRESHOLD.
        img2[labels == i + 1] = 255

res = cv2.bitwise_not(img2)

cv2.imshow('res.png', res)
cv2.waitKey(0)

其他方法包括但不限于通过寻找轮廓或进行形态学操作，使用启发式方法（例如字母应在同一行上等）来检测字母...