PyTesseract不识别小数

Question

这并不是真正的How to extract decimal in image with Pytesseract的复制品，因为这些答案并没有解决我的问题，我的用例也不同

我正在使用PyTesseract识别表格单元格中的文本。当涉及到用小数点识别药物剂量时，OCR无法识别.，尽管它对其他方面都是准确的。我正在Windows10上使用tesseract v5.0.0-alpha.20200328

我的预处理包括使用立方体放大400%，转换为黑白，膨胀和侵蚀，形态和模糊。我尝试了所有这些（以及每一个）的合理组合，但是没有任何东西能够识别出.

我尝试了--psm各种值以及字符白名单。我相信字体是Sergoe UI

处理前：

处理后：

PyteSeract输出：25mg »p

处理代码：

import cv2, pytesseract
import numpy as np

image = cv2.imread( '01.png' )
upscaled_image = cv2.resize(image, None, fx = 4, fy = 4, interpolation = cv2.INTER_CUBIC)
bw_image = cv2.cvtColor(upscaled_image, cv2.COLOR_BGR2GRAY)

kernel = np.ones((2, 2), np.uint8)
dilated_image = cv2.dilate(bw_image, kernel, iterations=1)
eroded_image = cv2.erode(dilated_image, kernel, iterations=1)

thresh = cv2.threshold(eroded_image, 205, 255, cv2.THRESH_BINARY)[1]
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
morh_image = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)
            
blur_image = cv2.threshold(cv2.bilateralFilter(morh_image, 5, 75, 75), 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]

final_image = blur_image
text = pytesseract.image_to_string(final_image, lang='eng', config='--psm 10')

Answer 1

我有一个类似的例子，通过使用图像处理方法和放大图像，我能够增加正确小数的数量。然而，一小部分小数没有被正确识别

我找到的解决方案是更改pytesseract的语言设置：

我使用的是非英语设置，但将配置更改为lang='eng'修复了所有剩余的问题

不过，这可能对原来的问题没有帮助，因为设置已经是eng

Answer 2

如果您还没有确定这一点，请查看此链接

访问https://groups.google.com/g/tesseract-ocr/c/Wdh_JJwnw94/m/xk2ErJnFBQAJ

对于许多问题，一个主要的解决方案是文本高度，我曾面临许多问题，但无法找出原因，但向tesseract发送具有正确大小字母的图像似乎解决了许多问题。 不要放大到随机的百分比，试试你的图像中字母接近30-40px的数字

此外，如果您的预处理以某种方式将“.”更改为类似于char的噪声，那么它也将被忽略