Question

我有非常高分辨率的工程图/电路图，其中包含许多不同区域的文本。目的是从此类图像中提取文本。

我正在使用pytesseract来完成此任务。直接应用pytesseract是不可能的，因为在这种情况下，来自不同区域的文本会在输出中混乱。因此，我要确定包含文本的不同边界框，然后将这些区域迭代传递给pytesseract。边界框逻辑工作正常，但是有时我无法从裁剪的图像中得到任何文本，或者仅得到部分文本。我会了解裁剪后的图像是否为低分辨率或模糊，但事实并非如此。请查看随附的几个示例。

图片1

图片2

这是我获取文本的代码：

    <form action="<?php echo htmlspecialchars($_SERVER["PHP_SELF"]); ?>" method="post">
        <table width="90%">
        <tr>
            <td width="20%"><b>Factory Name</b></td>
            <td width="50%"><input type="text" onkeyup="this.value = this.value.toUpperCase();" class="form-control" name="Fac_ID" required></td>
        </tr>
    </table>
        <br>
        <input type="submit" name="Submit" value="Add" class="btn btn-primary btn-block" onclick="return confirm('Do you want to add this factory?');">
    </form>

第一张图片的实际结果-无输出（空白文本文件）对于第二张图片-部分文字（所有其他配管和连接尺寸）我想知道如何提高OCR的质量。如果需要，我也愿意使用任何其他工具（除了pytesseract之外）。但是不能使用API（Google，AWS等），因为这是一个限制。注意：我已经阅读了以下帖子，但与我的案例不重复，因为我在白色背景上有黑色文字：

Pytesseract dont reconize a very clear image

Answer 1

由于图像已经看起来很干净，因此无需进行预处理。一种简单的方法是在将图像丢入Pytesseract之前对阈值和高斯模糊进行平滑处理。这是经过简单处理的结果以及Pytesseract的输出

系统代码为3CAB，除非另有说明。

对于第二张图片

所有其他管道和连接尺寸   应为1英寸。除非另有说明。

我们使用--psm 6配置标志，因为我们希望将图像视为单个统一的文本块。这是一些可能有用的其他configuration flags

代码

import cv2
import pytesseract

pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

image = cv2.imread('2.jpg',0)
thresh = cv2.threshold(image, 150, 255, cv2.THRESH_BINARY_INV)[1]

result = cv2.GaussianBlur(thresh, (5,5), 0)
result = 255 - result

data = pytesseract.image_to_string(result, lang='eng',config='--psm 6')
print(data)

cv2.imshow('thresh', thresh)
cv2.imshow('result', result)
cv2.waitKey()

Pytesseract有时无法在完全清晰的图像上工作

1 个答案: