python - 为什么使用 pytesseract 从图像中读取文本不起作用？

Question

这是我的代码：

import pytesseract
pytesseract.pytesseract.tesseract_cmd = r'F:\Installations\tesseract'
print(pytesseract.image_to_string('images/meme1.png', lang='eng'))

这是图像：

输出如下：

GP.
ed <a

= va
ay Roce Thee .
‘ , Pe ship
   
RCAC Tm alesy-3

Pein Reg a

years —
? >
ee bs

我在输出中看到了 years 这个词，所以它确实识别了文本，但为什么它不能完全识别它？

Answer 1

在杂乱的场景中，OCR 仍然是一个非常棘手的问题。如果不对图像进行一些预处理，您可能不会获得更好的结果。在这种特定情况下，首先对图像进行阈值处理是有意义的，仅提取白色区域（即文本）。您可以为此查看 opencv：https ://docs.opencv.org/3.4/d7/d4d/tutorial_py_thresholding.html

此外，在您的图像中，任意位置只有两行文本，因此使用页面分割模式可能是有意义的：https ://github.com/tesseract-ocr/tesseract/issues/434