tesseract输出与输入图像不同

Question

我正在使用tesseract和pytesseract（在python中）对裁剪后的图像执行ocr。裁剪的图像之一是dd/mm/yyyy中的日期格式。我得到的输出文本是dd,/mm,/yyyy。这背后的原因是什么？如何提高OCR质量？

我已经对裁剪后的图像进行了一些预处理，包括填充，形态转换（内核=椭圆形）。

gray = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
kernel1 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
close = cv2.morphologyEx(gray,cv2.MORPH_CLOSE,kernel1)
div = np.float32(gray)/(close)
res = np.uint8(cv2.normalize(div,div,0,255,cv2.NORM_MINMAX))
text = pytesseract.image_to_string(res, lang='eng', config=config)

Input Image : 18/05/1997
输出文本：18，/ 05，/ 1997
预期文本：18/05/1997

Answer 1

如果您使用的是tesseract 4.x，请使用tessdata_best中的trainneddata：

$ tesseract z9Rut.png - --dpi 300
18/05/1981