python - Tesseract - 将多个单词图像格式化为 OCR 图像的最佳方式

Question

我有一系列图片，每张图片都包含一个词。我不想在所有图像上分别运行 pytesseract OCR(效果很好)，而是想将图像编译成一个大图像并在其上运行 pytesseract OCR(以降低运行时间)。

格式化图像以获得最佳效果的最佳方式是什么？ (即:它们是否应该水平、垂直、困惑等排列)

另外，最好的页面分割模式是什么？

我已经尝试水平连接图像，然后使用 PSM 7(将图像视为单行文本)，但是，这并没有产生与使用 PSM 8(将图像处理为单行文本)对每个单独的单词图像运行 pytesseract OCR图像作为一个词)。

Answer 1

pytesseract 正在包装 tesseract 可执行文件，因此它 wrote each image to disk还有read output from disk .每次启动 tesseract 可执行文件都会导致 api 初始化(例如，从磁盘读取训练数据)。

如果您对大型文本/图像进行 OCR，这可能不是什么大问题，但如果您有大量短文本图像(例如 word)，那就是浪费时间/性能。考虑通过 cffi 或 ctype 在 python 中使用 tesseract C-API。参见 recent example in tesseract user forum .