python - PyTesseract - 将 OCR 限制为一组字符

Question

我在使用 pytesseract 时遇到了问题。我知道您可以使用命令行参数将 tesseract 限制为一组特定的字符:

tesseract input.tif output nobatch digits

我发现一些人说他们可以在 python 中使用以下行来限制 tesseract:

import tesseract
ocr = tesseract.TessBaseAPI();
ocr.Init(".","eng",tesseract.OEM_TESSERACT_ONLY)
ocr.SetVariable("tessedit_char_whitelist", "0123456789")

但这是为了使用 tesseract API，而我正在使用 pytesseract.... 最后我也尝试了:

print(image_to_string(someimage, config='outputbase digits'))

但这不起作用，因为我的输出中仍然有字母。这很奇怪，因为我正在使用下面的代码并且它正在运行:

print(image_to_string(screen, config='-psm 10'))

PSM 代表 PageSegmentationMode，它允许我将图像文件解析为单个字符。我不明白为什么这行得通，而之前的代码片段却行不通，因为它们都是 tesseract 的命令行参数...

有人可以帮忙吗？我想将这两个选项与自定义词表(我在 tesseract 的配置文件夹中创建)一起使用。

Answer 1

终于找到了解决方案，如果它可以帮助任何人......这是来自 tesseract 帮助页面:

Simplest invocation of tesseract :

tesseract imagename outputbase

我可以从中推断出正确的语法(事实上，我在 stack overflow 上发现的所有东西几乎都把我指向了错误的方向，可能是因为 tesseract 的不同版本)。请记住，我使用的是 tesseract 3.05(GitHub 上提供的 win 安装程序)和 pytesseract(从 pip 安装)。

image_to_string(someimage, config='digits -psm 7')

正如我们在帮助页面上看到的，outputbase 参数首先出现在文件名之后和其他选项之前，这允许同时使用 PSM 和受限字符集。

来自 tesseract 帮助页面的所有命令行参数都可以这样使用，在 config 变量中!!