用于分离触摸字符的图像处理/ OCR技术

Question

我正在尝试为Tesseract的OCR准备图像。然而，某些字符序列接触(由于字体字形上的衬线)，这会混淆它。

例如I/U

​

​

我注意到每个字符都有一个明亮的轮廓。如果可以用深色代替，这些字母就会获得一些喘息的空间。

    img_grey[img_grey > 100] = 0

..。但我不能让它工作。

有没有人知道更好的技术？

Answer 1

使用OpenCV，你可以将其转换为灰度，然后应用Otsu的阈值来获得二值化的图像，然后将其侵蚀：

import cv2         
import numpy as np    

im = cv2.imread('image.png')
im = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
 
_, th = cv2.threshold(im, 120, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)     

kernel = np.ones((5,5), np.uint8)

# Increase iterations if you want it thinner
eroded = cv2.erode(th, kernel, iterations=2)

cv2.imwrite('eroded.png', eroded)

​

​

Answer 2

你可以尝试腐蚀图像，在opencv中有一个叫做腐蚀的操作，在这种情况下它基本上缩小了字符的厚度。这应该在字符之间留出一些空格，但要注意不要过度，否则tesseract可能无法识别字符。可以通过试验和错误获得适量的错误。

有关更多详细信息，请参阅此Link。