python - PyTesseract-文本被水平白线破坏

Question

这是噪声图像扫描的经典PyTesseract问题。但是，在这种情况下，点矩阵打印机正在文本中打印一些水平的白线。随附一些样本。我不确定哪种预处理将改善文本的扫描。

使用以下命令，以下示例将输出以下内容:

tesseract test.png stdout  --psm 6 --dpi 120

输出:(预期为“RVC 64.80％”)

PRVG
64.5056"

对于以上图像pytesseract给

152.00 KILOGRAW
817.51 USO

和预期是-152.00 KILOGRAM 617.51 USD

我知道图像很吵，所以请不要发布明显的答案，因为图像很吵，所以输出不好。由于我总是从打印机获得相同的文本，因此我可以应用相同类型的预处理。

Answer 1

第一张图片，处理代码:

from PIL import Image
import numpy as np
import pytesseract
import time
from collections import Counter

img = Image.open('OCR.png').convert('L')
pixelArray = img.load()
threshold = 240
table = []
for y in range(img.size[1]): # binaryzation
    List = []
    for x in range(img.size[0]):
        if pixelArray[x,y] < threshold:
            List.append(0)
        else:
            List.append(256)
    table.append(List)

img = Image.fromarray(np.array(table))
img.show()

def operation(image):
    resultList = []
    pixelList = image.load()
    flag = False
    for y in range(image.size[1]):
        temp = []
        linePixel = 0
        for x in range(image.size[0]):
            if not pixelList[x,y]:
                linePixel += 1
            temp.append(pixelList[x,y])
        if linePixel >= 35: # judge the black dot in one line
            flag = True
            resultList.append(temp)
        elif flag:
            # resultList.append([0]*image.size[0]) # to check the handling lines
            flag = False
        else:
            resultList.append([256] * image.size[0])
    return Image.fromarray(np.array(resultList))

for i in range(6):
    img = operation(img)

img.show()
print(pytesseract.image_to_string(img,config='--psm 6'))

处理的第一措施(二进制化):



第二项措施是删除白线(在一行中判断黑色像素):



最后，结果是:

"RVC
64.80%"