python - 使用 TesserOCR 读取收据

Question

我和我的室友厌倦了每次去杂货店购物(特别是 Costco)时手动拆分收据，所以我想使用图像识别制作收据拆分器。

我正在使用Tesserocr让 python 将收据图片转换为文本，然后使用正则表达式匹配文本并从那里进行计算。问题在于，tesseract 在将图像转换为文本方面做得很糟糕。这是我们的一张照片 receipt ，这是使用 api.SetImageFile(img) 和 api.GetUTF8Text() 后的输出:

”Wm-
Belfsville #214j
|0925 Balfimore Rve. (R1.
Belfsvlll B, MD 20705
4P Member 111869052983
E 1952 SNEET8SRTLY 11.79
E 0000165287 CPN/1952 3.80“
E 1952 SNEET&SHTLY 11.79
E 0000165287 CPN/1952 3.80-
87745 ROTISSERIE 4.99 H
1 5597 BLUEBERRIES 6.99
E. 5597 BIUEBERRIES 6.99
E. 979210 CHOC MRNGOS 9.99 H
F‘ 24311 VHR. MUFFIN 7.99
1 1060788 PRETZELCRISP 6.89
87745 ROTISSERIE 4.99 H
- 87745 ROTISSERIE 4.99 H
EZ 71096 RED DEL 7.99
El 1027557 KOREHNNOODLE 8.79
Ei 382861 KS IN CK BST 16.79
[S 91610 FROSTED FLKS 6.79
[3 11422 3 YR CHDR 12_27
[5 46849 SESNDPRKTEND 12.55
SUBTOTRL 13 _
THX 1,33
xu** TOTAL IIIIIIIBEEIHflI
xxxxx XXXXXXX4540 CHIP Read

您可以看到输出有点难以处理。它将“A”读作“H”，有时将“E”读作“F”或其他随机内容。我想我有两个选择:

1. 以某种方式训练超立方体更好地阅读收据，但我以前没有机器学习的经验。我尝试阅读 Tesseract's trainning guide ，但有很多技术细节我不熟悉。我想实际的过程并不困难，因为我正在阅读的图像非常具体。

2. 拍摄多张收据照片，使用类似 Fred's ImageMagick Scripts 的图片。 ，将所有图片通过不同的过滤器，将图片的所有排列通过超正方体并合并结果。问题是 1)我不确定如何进行整合。使用正则表达式会很困难。 2)我想仍然会有基线问题，比如把“A”读成“H”。

任何人都可以帮助我选择这两个选项吗？给我指出完成这件事的路径吗？或者告诉我我可以尝试的另一种方法？

Answer 1

如果您可以使用 ImageMagick 并且使用类 Unix 系统(Linux、MacOSX、Windows w/Cygwin 或 Windows 10 unix 环境)，那么您可以尝试我的 bash shell 脚本、textdeskew 和 textcleaner，网址为 http://www.fmwconcepts.com/imagemagick/index.php 。例如:

textdeskew input.jpg deskew.png

deskew result

然后

textcleaner -f 25 -o 10 -g -e normalize -s 1 deskew.png deskew_clean.png

deskew and clean result

或者在 ImageMagick 中的任何操作系统上，只需使用 -deskew 和 -lat:

convert input.jpg -deskew 40% input_deskew.png

Imagemagick deskew result

convert input_deskew.png -negate -lat 25x25+10% -negate input_deskew_lat.png

Imagemagick deskew and lat result

或者将它们一起运行为:

convert input.jpg -deskew 40% -negate -lat 25x25+10% -negate input_deskew_lat.png

这些对您的 OCR 有帮助吗？