由于水平线，Pytesseract OCR无法识别小字

Question

我刚刚开始探索pytesseract。这就是我面临的问题：

我有以下输入图像。

现在，当我尝试在此上运行OCR时，我得到以下输出：

  

感谢您注册。现在你也是   可以挑选你最喜欢的枕头

     

选项AB

在多个图像样本上尝试后，我可以安全地得出以下结论：

1. 不非字典字词惩罚。
2. 省略简短的词。几乎就好像它的最小宽度正在生效，并且否决任何宽度小于该宽度的线。
3. 仅当输入图像周围有边界矩形时才会发生。如果我从输入图像中删除它，我会得到正确的输出。

即。在下图中：



我得到以下输出

  

感谢您注册。现在你也是   可以挑选你最喜欢的枕头

     

选

     

OPON

     

选项AB

我无法弄清楚我哪里出错了。以下是我使用的代码：

from PIL import Image
import pytesseract
import argparse
import cv2

image = cv2.imread('testImage.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
gray = cv2.threshold(gray, 240, 255, cv2.THRESH_BINARY)[1]

filename = "intermediate.png"
cv2.imwrite(filename, gray)

im = Image.open(filename)
text = pytesseract.image_to_string(im)
print(text)

我也尝试过修改一些配置参数（ crunch_del_min_width ， language_model_min_compound_length 以及其他一些参数），但没有任何帮助。

Answer 1

解决方案在这里找到：Pytesseract OCR multiple config options

我的代码最初与您的代码一样（第1行），并且遇到了相同的错误。对我有用的是在config参数中将psm = 10设置为允许单个字符识别。

代码有时返回None：

line 1 : text = pytesseract.image_to_string(cropped)

在下一行添加了代码：

line 2 : text = text if text else pytesseract.image_to_string(cropped, config='--psm 10')

第一行将尝试提取句子。如果成功，则第二行将值保持不变。但是，如果返回None，它将查找单个字符（允许输出较小的单词）。

或者，如果您只想捕捉小词：

line 1 : text = pytesseract.image_to_string(cropped, config='--psm 10')