使用python和Tesseract OCR从文本中提取特定内容

Question

我正在使用tesseract OCR从图像文件中提取文本。

下面是我从图片中获得的示例文本：

Certificate No. Certificate Issued Date Acoount Reference Unique Doc. Reference IN-KA047969602415880 18-Feb-2016 01:39 PM NONACC(FI)/kakfscI08/BTM LAYOUT/KA-BA SUBIN-KAKAKSFCL0858710154264833O

如何从中提取证书编号？任何提示或解决方案都会在这里为我提供帮助。

Answer 1

如果证书编号始终位于此处给出的结构中（2个字母，连字符，17位数字），则可以使用regex：

import regex as re

# i took the entire sequence originally but this is just an example
sequence = 'Reference IN-KA047969602415880 18-Feb-2016 01:39'
re.search('[A-Z]{2}-.{17}', seq).group()
#'IN-KA047969602415880'

.search搜索您指定的特定模式，然后.group()返回第一个结果（在这种情况下将只有一个）。您可以在给定的字符串中搜索类似的内容，建议您参考regex here。

Answer 2

在将图像放入Tesseract OCR中之前，对图像进行预处理以去除噪点并平滑文本非常重要。这是使用OpenCV的简单方法

• 将图像转换为灰度
• 大津获取二进制图像的阈值
• 高斯模糊和反转图像

---

转换为灰度后，我们以Otsu的阈值获取二进制图像

从这里开始，使它稍微模糊，然后反转图像以得到结果

Pytesseract的结果

  

证书号：IN-KA047969602415880

<div id="test"></div>