我正在使用pytesseract（tesseract版本3.05）对数字化创建的打印PDF帐单进行OCR（光学字符识别）。我对其进行了预处理，以去除所有颜色并将其设置为纯黑白和600 DPI。这是专有信息，所以我不能在这里发布，但是当我说时请相信我-它非常直截了当，非常清晰。
在处理图像时，我一直在使用各种页面分割模式（PSM）。
一些PSM（例如11和12）能很好地识别字符-几乎完美-但单行将变成多行，并且经常会被打乱，使得数据解析在功能上是不可能的。
其他PSM（例如3和4）保持完美的线条（这有助于数据解析），但是OCR很糟糕（插入了空格，破折号变成了撇号，“ l”将变成“ 1”甚至是'i'等）。
我尝试了所有PSM，但找不到允许我保持和质量OCR的版本。
我是否可以转动其他拨盘以允许我同时进行两个操作，并且可能进一步提高生成的文本的质量？
代码：
psm_version = 3
text = pytesseract.image_to_string(b_w_file, lang = 'eng', config = '-psm {}'.format(psm_version))
答案 0 :(得分：0)
我对pytesseract不熟悉，但是我已经对C＃端口产生了很大的困惑。我正在给它添加.tiffs，具有讽刺意味的是，我制作.tiff的DPI越高，Tesseract的表现似乎就越差。我发现最佳点是119 DPI。我发现可行的解决方案是，我创建两个.tiff，一个是我的输出的高DPI，另一个是我输入给Tesseract的低DPI。我让Tesseract迭代器将其找到的边界框的坐标传递给我，然后在更高的DPI .tiff上使用这些坐标来完成我想做的事情。它不是最有效的过程，因此此后我转到了其他选项，并且不再有代码。希望这会有所帮助！