Tesseract ocr输出，在检测到的文本之间包含单个字符

Question

我正在尝试使用Tesseract从下图中提取

text = pytesseract.image_to_string(image, config='-c preserve_interword_spaces=1 --psm 1 --oem 1')

这是tesseract 4 ocr的结果

print(text)

Wrote Datastream application 
e Used Kafka to get the accounts

如果您看到图像中的项目符号被转换为e，我在文档中发现了几个这样的点，它们被转换为ascii中的单个字符

如果有人熟悉此类问题并有解决方案，请告诉我

Answer 1

我有一个建议，也许最好去掉要点

• 删除项目符号的一个解决方案是应用adaptive-threshold

• 如果我们将adaptive-threshold应用于当前图像：

  • 

• 现在如果我们读到它：

  • Wrote Datastream application |
    Used Kafka to get the accounts
    
    

代码：

---

import cv2
import pytesseract

img = cv2.imread("4XMue.png")
gry = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
thr = cv2.adaptiveThreshold(gry, 255, cv2.ADAPTIVE_THRESH_MEAN_C,
                            cv2.THRESH_BINARY, 11, 131)
txt = pytesseract.image_to_string(thr)
print(txt)

---

请允许我告诉您，我的示例代码可能不适用于所有图像。因为图像可能有不同的伪影或需要额外的处理。您可能需要更改adaptive-threshold的block-size和C参数。因此，请先阅读adaptive-threshold