Python :将扫描图像转换为文本进行处理

Question

我正在尝试创建一个答卷标记(多重选择问题) python应用程序。答案将被扫描到图像文件(gif，png，jpg，任何需要的格式)。

我的应用程序可以访问存储所有答案的数据库。

所以，它所需要的只是扫描图像中的一些数据，这样就可以比较答案和计算分数。

答题纸有固定的尺寸，表格格式如下(考生将用“X”标记答案，以表示答案)：

​

在网上搜索后，我发现有一些OCR可用。

第一个是Pytesser。这是非常容易使用和结果是相当好。但它只适用于只有纯文本的图像。因此，我认为这是不合适的。

我发现的第二个例子是Ocropus。它看起来很强大，但在它的文档中

视窗 OCRopus在很大程度上依赖于POSIX路径名称和文件系统。可以在Windows上安装OCRopus。一种更简单的方法是在Ubuntu中安装VirtualBox并在VirtualBox下运行OCRopus。

所以我认为这主要是针对linux的。我找不到窗口平台的详细安装指南。(我是初学者，所以我可能错了)

我发现的第三个例子是python-tesseract，它是Tesseract OCR的包装器。在他们的页面中，提供了安装指南。基本上，我需要，

1. python-tesseract-win32.deb
2. python-opencv
3. numpy

但是我不知道如何在窗口上安装.deb文件。我已经安装了opencv和nampy。

以下是我的问题：

(1)如何将表映像转换为可处理的数据(甚至可能吗？)

(2)是否还有其他我在此没有提及的有用的OCR API可能会有所帮助？

(3)最后，(我愚蠢的想法)是否可以使用PIL将图像分割成小块(根据表格单元格的大小--因为表的尺寸是已知的)，然后使用pytesser将每个小图像转换为文本，然后相应地处理数据？

FYI:我只需要Windows平台，可能是windows 32位。我正在使用python2.7.5。

Answer 1

答案与你的数字相对应

1) OCR在总体上是很难的，但是(对你来说是个好消息)对于考试成绩的处理，我认为这是一个几乎解决了的问题。在这种情况下，这些问题得到了切实有效的解决。多年来，学校系统一直在这样做，以实现“scantron”测试的自动化，因此，如果你能够获得这样的资源，走这条路可能是你最好的选择。至少你应该检查一下他们是怎么做的

2)我相信还有其他人，但这些是我所知道的主要免费的

A我认为如果你想在预算上做这件事，而时间不是问题，你的“愚蠢”想法实际上一点也不傻。这可能是最好的方法，这很可能是斯坎特恩测试等级使用类似的方法。你知道考试表格的确切尺寸。你可以知道直接的像素映射到哪里。你可以很容易地使用pytesser。记住，pytesser有时需要您调整图像的大小(有时是向上的，有时是向下的)，以获得最佳的精度。

你可能想考虑使用你自己的解决方案。您可以使用形态操作的概念(numpy和其他映像库几乎可以做到这一点)。您甚至可能不需要这些操作符，只需对表行执行二进制阈值(假设您已经将图像切割成表行)，只需查找blob并将分数标记为来自具有最多blob值的列。