Python，文字检测OCR

Question

我正在尝试从扫描的表单中提取数据。该表单具有类似于下图所示的标准格式:

我曾尝试使用 pytesseract (tesseract OCR) 来检测图像的文本，它在查找文本和将图像转换为文本方面做得不错。然而，它基本上只给了我所有检测到的文本，而不保留数据的格式。

我希望能够执行如下操作:

找到一段特定的文本，然后找到它下方或旁边的关联数据。类似于这个问题使用 opencv Detect text region in image using Opencv

有没有一种方法可以让我基本上做到以下几点:

1. 要么找到表单上的所有文本框，对每个框执行 OCR，看看哪个与“证人:”文本最匹配，然后找到紧靠其下方的部分，并对这些文本框执行单独的 OCR。
2. 或者如果表格是标准的并且我知道“witness”文本部分的大致位置，我可以在 opencv 中指定它的大致位置，然后只提取下面的文本并对其执行 OCR。

编辑:我已尝试使用以下代码来检测文本的特定区域。然而，它并没有专门识别所有区域的文本。

import cv2

img = cv2.imread('t2.jpg')
mser = cv2.MSER_create()

img = cv2.resize(img, (img.shape[1]*2, img.shape[0]*2))   
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
vis = img.copy()

regions = mser.detectRegions(gray)
hulls = [cv2.convexHull(p.reshape(-1, 1, 2)) for p in regions[0]]
cv2.polylines(vis, hulls, 1, (0,255,0)) 

cv2.imshow('img', vis)

结果如下:

Answer 1

我认为您已经在自己的帖子中找到了答案。我最近做了类似的事情，我是这样做的:

//id_image was loaded with cv2.imread
temp_image = id_image[start_y:end_y,start_x:end_x]
img = Image.fromarray(temp_image)
text = pytesseract.image_to_string(img, config="-psm 7")

所以基本上，如果您的格式是预定义的，您只需要知道您想要文本(您已经知道)的字段的位置，裁剪它，然后应用 ocr (tesseract) 提取。

在这种情况下，您需要导入 pytesseract、PIL、cv2、numpy。