tesseract-如何处理字符分隔符

Question

如何用tesseract（预处理或通过特殊的tesseract配置）正确地识别字符分隔符内的文本，尤其是梳状类型（第3个图像），如下三个图像所示：

https://i.stack.imgur.com/Jb5Qd.png
https://i.stack.imgur.com/GhzCa.png
https://i.stack.imgur.com/rI4c1.png

1
11, 9;9j1 | 0,7 4142 |

正如所观察到的，数字被正确地标记并作为提取文本的子集出现。但是，分隔符也被识别为“1”、“、”、“7”、“4”、“”。预期产量为1992.07.12。

2）我对图像识别是新手。图像预处理是OCR之前的一个重要步骤。我已经从左、下、右三个方向尝试了floodfill来删除字符分隔符。概念取自这里:https://www.learnopencv.com/filling-holes-in-an-image-using-opencv-python-c/虽然这个解决方案适用于这个特定的图像，但它肯定不是一个通用的解决方案。因为这些字符分隔符在许多形式中都很常见，所以一定有一个很好的方法来提取文本。

3）我尝试过谷歌搜索，但在前10页的结果中找不到任何可靠的东西（很多无关主题的噪音）。我的搜索词是“Tesseract字符分隔符”。糟糕的结果可能是因为搜索词的选择不佳，与简历社区使用的不同。

4）我试过abbyy finereader，文本识别没有问题。但是，这个应用程序是付费的，源代码是封闭的。

Answer 1

有很多方法可以解决你的问题。例如，如果构成单元格的线是连接的-您可以使用OpenCV过滤大型连接组件。

gray = cv2.imread('path_to_your/image.png', 0)
_, blackAndWhite = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)

nlabels, labels, stats, centroids = cv2.connectedComponentsWithStats(blackAndWhite, None, None, None, 8, cv2.CV_32S)
sizes = stats[1:, -1]
img2 = np.zeros((labels.shape), np.uint8)

for i in range(0, nlabels - 1):
    if sizes[i] <= 5000:   #CHANGE THIS VALUE TO CHANGE THRESHOLD.
        img2[labels == i + 1] = 255

res = cv2.bitwise_not(img2)

cv2.imshow('res.png', res)
cv2.waitKey(0)

其他方法包括但不限于通过寻找轮廓或进行形态学操作来检测字母，使用启发式，如字母应该在同一条线上，等等。