python-3.x - 通过 pytesseract 和 PIL 提高文本识别的准确性

Question

所以我试图从图像中提取文本。并且由于图像的质量和尺寸不好，它会给出不准确的结果。我用 PIL 尝试了一些增强功能和其他东西，但这只会降低图像质量。

有人可以建议对图像进行一些增强以获得更好的结果。图片的几个例子：

Answer 1

在提供的图像示例中，文本在视觉上质量非常好，所以问题是 OCR 给出不准确结果的原因是什么？

为了说明此答案的进一步文本中给出的结论，让我们运行给定的图像

通过正方体。在 Tesseract OCR 的结果下方：

"fhpgearedmomrs©gmachom"

现在让我们调整图像四次并对其应用阈值处理。我已经在 Gimp 中手动完成了调整大小和阈值，但是通过适当的调整大小方法和 PIL 的阈值，它可以肯定是自动化的，因此在增强后你会得到一个类似于我得到的增强图像的图像：

通过 Tesseract OCR 运行的改进图像提供以下文本：

“fhpgearedmotors©gmail.com”

这表明放大图像有助于在提供的文本图像示例上实现 100% 的准确度。

放大图像有助于实现更好的 OCR 准确性可能看起来很奇怪，但是...... OCR 被开发用于将印刷媒体的扫描转换为文本，并期望通过设计获得 300 dpi 的文本图像。这解释了为什么一些 OCR 程序没有自行调整文本大小以改善其结果，并且对期望通过放大来实现更高 dpi 分辨率的小字体表现不佳。

这里是github.com 上 Tesseract FAQ的摘录，证明了上述陈述：

[为了合理的准确性，有一个最小的文本大小。您必须考虑分辨率和点大小。精度下降到 10pt x 300dpi 以下，迅速低于 8pt x 300dpi。快速检查是计算字符 x 高度的像素。（X 高度是小写 x 的高度。）在 10pt x 300dpi 时，x 高度通常约为 20 像素，尽管这可能因字体而异。x 高度低于 10 像素，您几乎没有机会获得准确的结果，低于大约 8 像素，大部分文本将被“去除噪点”。]