tesseract 5.0集市+用户单词配置不起作用

Question

我尝试强制tesseract在执行OCR时仅使用我的单词列表。 首先，我将市集文件复制到/usr/share/tesseract-ocr/5/tessdata/configs/。这是我的集市文件：

load_system_dawg F
load_freq_dawg F
user_words_suffix user-words

然后，我在eng.user-words中创建了/usr/share/tesseract-ocr/5/tessdata。这是我的用户单词文件：

Items
VAT
included
CASH

然后我通过以下命令对此图像执行ocr：tesseract -l eng --oem 2 test_small.jpg stdout bazaar。

这是我的结果：

2 Item(s) (VAT includsd) 36,000
casH 40,000
CHANGE 4. 000

如您所见，includsd不在我的用户单词文件中，应该被“包含”。此外，即使没有在命令中使用bazaaz config，我也得到了相同的结果。看来我的bazaar和eng.user-words配置在OCR输出中没有任何作用。那么如何使用bazaar和user-words的配置，以获得所需的结果？

Answer 1

user_words_suffix似乎不适用于--oem 2。 一种解决方法是使用user_words_file，其中包含您的用户单词文件的路径。

Answer 2

您需要做的就是对图像进行上采样。

如果上采样两次

现在阅读：

2 Item(s) (VAT included) 36,000
CASH 40,000
CHANGE 4,000

代码：

import cv2
import pytesseract

# Load the image
img = cv2.imread("4nGXo.jpg")

# Convert to the gray-scale
gry = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Up-sample
gry = cv2.resize(gry, (0, 0), fx=2, fy=2)

# OCR
print(pytesseract.image_to_string(gry))

# Display
cv2.imshow("", gry)
cv2.waitKey(0)