tesseract - pytesseract 结果与 tesseract 命令行结果不同

Question

我正在尝试在 Ubuntu 上使用 pytesseract 和 tesseract 命令行将扫描的页面转换为文本。结果明显不同（pytesseract 比 tesseract 命令行执行得更好），我无法理解为什么。我查看了参数的默认值并尝试更改 tesseract 命令行中的一些参数值（如 psm ），但我无法获得与 pytesseract 相同的结果。由于 pytesseract 中缺乏适当的文档，我无法弄清楚使用了哪些参数的默认值。

这是我的 pytesseract 代码 print(pytesseract.image_to_string(Image.open('test.tiff'))

Answer 1

查看 pytesseract 的源代码，似乎图像总是转换为 .bmp 文件。使用 Tesseract 在命令行中使用 .bmp 文件和 6 的 psm 得到与 pytesseract 相同的结果。此外，tesseract 只能处理未压缩的 bmp 文件。因此，如果使用 ImageMagick 将 .pdf 转换为 .bmp，以下将起作用

convert -density 300 -quality 100 mypdf.pdf BMP3:mypdf.bmp
tesseract mypdf.bmp -psm 6 mypdf txt