使用Tesseract-OCR进行图像到文本的识别比使用我的Python代码手工预处理图像更好

Question

我试图用Python编写代码，用于使用Tesseract-OCR进行手动图像预处理和识别。

手册过程：

为了手动识别单个图像的文本，我使用Gimp对图像进行预处理，并创建一个TIF图像。然后我把它喂给Tesseract-OCR，它正确地识别了它。

用Gimp对图像进行预处理-

1. 将模式更改为RGB /灰度 菜单--图像--模式- RGB
2. 脱粒 菜单--工具--彩色工具--阈值--自动
3. 将模式更改为索引 菜单--图像--模式-索引
4. 调整大小/比例至宽度>300 to 菜单--图像--缩放图像-- Width=300
5. 保存为Tif

然后我给它喂食-

$ tesseract captcha.tif output -psm 6

我一直都能得到准确的结果。

Python代码：

我试过用OpenCV和Tesseract复制上述程序-

def binarize_image_using_opencv(captcha_path, binary_image_path='input-black-n-white.jpg'):
    im_gray = cv2.imread(captcha_path, cv2.CV_LOAD_IMAGE_GRAYSCALE)
    (thresh, im_bw) = cv2.threshold(im_gray, 128, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)
    # although thresh is used below, gonna pick something suitable
    im_bw = cv2.threshold(im_gray, thresh, 255, cv2.THRESH_BINARY)[1]
    cv2.imwrite(binary_image_path, im_bw)

    return binary_image_path

def preprocess_image_using_opencv(captcha_path):
    bin_image_path = binarize_image_using_opencv(captcha_path)

    im_bin = Image.open(bin_image_path)
    basewidth = 300  # in pixels
    wpercent = (basewidth/float(im_bin.size[0]))
    hsize = int((float(im_bin.size[1])*float(wpercent)))
    big = im_bin.resize((basewidth, hsize), Image.NEAREST)

    # tesseract-ocr only works with TIF so save the bigger image in that format
    tif_file = "input-NEAREST.tif"
    big.save(tif_file)

    return tif_file

def get_captcha_text_from_captcha_image(captcha_path):

    # Preprocess the image befor OCR
    tif_file = preprocess_image_using_opencv(captcha_path)

    #   Perform OCR using tesseract-ocr library
    # OCR : Optical Character Recognition
    image = Image.open(tif_file)
    ocr_text = image_to_string(image, config="-psm 6")
    alphanumeric_text = ''.join(e for e in ocr_text)

    return alphanumeric_text    

但我没有得到同样的准确性。我错过了什么？

更新1：

1. 原始图像

​

1. 使用Gimp创建的Tif图像

​

1. 由我的python代码创建的Tif图像

​

更新2：

此代码可在https://github.com/hussaintamboli/python-image-to-text上使用。

Answer 1

如果输出与预期输出的偏差最小(如注释中所建议的“额外的”、“等等)，请尝试将字符识别限制在您期望的字符集上(例如字母数字)。