如何在小图像中使用pytesseract改善手写文本识别？

Question

我想使用pytesseract库进行手写文本识别，以读取平均尺寸为43 * 45像素的图像中的数字字符。以下示例图像：

预期结果：

9
1
4

我想从图像中得到一个数字字符。

我已经在下面尝试过此代码

import pytesseract

# loop through images
print(pytesseract.image_to_string("text.jpg", config='--psm 10 --oem 3 -c tessedit_char_whitelist=0123456789'))

但实际结果是，我得到的准确度不到50％甚至更低，有些数字读得好，有些数字在单个图像中读了2个字符，有些没有读。
删除-c tessedit_char_whitelist = 0123456789配置时，将得到字符4，\和字母g。
如何使Pytesseract将图像视为唯一的单个数字字符，而不是使用仍将文本读取为字母数字的白名单？

PS：我知道OCR不能100％准确。至少可以提高准确性。

Answer 1

根据this GitHub issue，tesseract 4.0不支持LSTM模型的白名单字符。您可以通过将Tesseract升级到4.1版本而不是使用旧模型（即--oem标志）来解决此问题。

或者，您可以尝试使用Robert Harris中this answer建议的标记config='digits'来强制pytesseract仅返回数字。

This blog article建议创建一个python函数，该函数使用一个简单的正则表达式提取所有数字，而不用随意处理几个标志和版本。