python - 使用 Tesseract OCR 4.x 保留缩进

Question

我正在为 Tesseract OCR 而苦苦挣扎。我有一张血液检查图像，它有一张带压痕的表格。尽管 tesseract 可以很好地识别字符，但其结构并未保留在最终输出中。例如，查看“Emocromo con formula”(英译:含公式的血细胞计数)下方的缩进行。我想保留那个缩进。

我阅读了其他相关讨论并找到了选项 preserve_interword_spaces=1。结果变得稍微好一些，但如您所见，它并不完美。

有什么建议吗？

更新:

我试过Tesseract v5.0，结果是一样的。

代码:

Tesseract 版本为 4.0.0.20190314

from PIL import Image
import pytesseract

# Preserve interword spaces is set to 1, oem = 1 is LSTM, 
# PSM = 1 is Automatic page segmentation with OSD - Orientation and script detection

custom_config = r'-c preserve_interword_spaces=1 --oem 1 --psm 1 -l eng+ita'

# default_config = r'-c -l eng+ita'

extracted_text = pytesseract.image_to_string(Image.open('referto-1.jpg'), config=custom_config)

print(extracted_text)

# saving to a txt file

with open("referto.txt", "w") as text_file:
    text_file.write(extracted_text)

比较结果:

GITHUB:

我创建了一个 GitHub存储库，如果您想自己尝试。

感谢您的帮助和宝贵的时间

Answer 1

image_to_data() 函数提供了更多信息。对于每个单词，它将返回它的边界矩形。你可以用那个。

Tesseract 自动将图像分割成 block 。然后您可以按 block 的垂直位置对 block 进行排序，对于每个 block ，您可以找到平均字符宽度(这取决于 block 的识别字体)。然后对于 block 中的每个单词检查它是否接近前一个单词，如果不相应地添加空格。我正在使用 pandas 来简化计算，但没有必要使用它。不要忘记结果应使用等宽字体显示。

import pytesseract
from pytesseract import Output
from PIL import Image
import pandas as pd

custom_config = r'-c preserve_interword_spaces=1 --oem 1 --psm 1 -l eng+ita'
d = pytesseract.image_to_data(Image.open(r'referto-2.jpg'), config=custom_config, output_type=Output.DICT)
df = pd.DataFrame(d)

# clean up blanks
df1 = df[(df.conf!='-1')&(df.text!=' ')&(df.text!='')]
# sort blocks vertically
sorted_blocks = df1.groupby('block_num').first().sort_values('top').index.tolist()
for block in sorted_blocks:
    curr = df1[df1['block_num']==block]
    sel = curr[curr.text.str.len()>3]
    char_w = (sel.width/sel.text.str.len()).mean()
    prev_par, prev_line, prev_left = 0, 0, 0
    text = ''
    for ix, ln in curr.iterrows():
        # add new line when necessary
        if prev_par != ln['par_num']:
            text += '\n'
            prev_par = ln['par_num']
            prev_line = ln['line_num']
            prev_left = 0
        elif prev_line != ln['line_num']:
            text += '\n'
            prev_line = ln['line_num']
            prev_left = 0

        added = 0  # num of spaces that should be added
        if ln['left']/char_w > prev_left + 1:
            added = int((ln['left'])/char_w) - prev_left
            text += ' ' * added 
        text += ln['text'] + ' '
        prev_left += len(ln['text']) + added + 1
    text += '\n'
    print(text)

此代码将产生以下输出:

    ssseeess+ SERVIZIO SANITARIO REGIONALE                          Pagina 2 di3 
   seoeeeees EMILIA-RROMAGNA 
     ©2888   800 
     ©9868  6 006   :       pe   ‘  ‘        " 
     «ee @@e@ecee Azienda Unita Sanitaria Locale di Modena 
     Seat se  ces Amends Ospedaliero-Universitaria Policlinico di Modena 
         Dipartimento  interaziendale ad attivita integrata di Medicina di Laboratorio e Anatomia Patologica 
                                                  Direttore dr. T.Trenti 
                                           Ospedale Civile S.Agostino-Estense 
                                             S.C. Medicina  di Laboratorio 
                                           S.S. Patologia  Clinica - Corelab 
                            Sistema di Gestione per la Qualita certificato UNI EN ISO 9001:2015 
                                              Responsabile dr.ssa M.Varani 
        Richiesta (CDA):   49/073914                                    Data di accettazione: 18/12/2018 
                                                                        Data di check-in:    18/12/2018 10:27:06 
                                                                        Referto del          18/12/2018 16:39:53 
                                                                        Provenienza:         D4-cp sassuolo 

                                                           Sig. 
                                                           Data di Nascita: 
                                                           Domicilio: 
          ANALISI                                              RISULTATO  __UNITA'DI MISURA VALORI DI RIFERIMENTO 
       Glucosio                                                     95     mg/dl            (70  - 110 ) 
       Creatinina                                                 1.03     mg/dl            ( 0.50 - 1.40 ) 
       eGFR  Filtrato glomerulare stimato                         >60      ml/min           Cut-off per rischio di  I.R. 
             7                                                                              <60. Il calcolo é€ riferito 
       Equazione  CKD-EPI                                                                   ad una superfice corporea 
                                                                                            Standard  (1,73 mq)x In Caso 
                                                                                            di etnia afroamericana 
                                                                                            moltiplicare per  il fattore 
                                                                                            1,159. 
       Colesterolo                                                212   *  mg/dl            < 200 v.desiderabile 
       Trigliceridi                                                106     mg/dl            < 180 v.desiderabile 
       Bilirubina totale                                          0.60     mg/dl            ( 0.16 - 1.10 ) 
       Bilirubina diretta                                         0.10     mg/dl            ( 0.01 - 0.3 ) 
       GOT  - AST                                                   17     U/L              (1-37) 
       GPT  - ALT                                                   ay     U/L              (1-   40 ) 
       Gamma-GT                                                     15     U/L              (1-55) 
       Sodio                                                       142     mEq/L            ( 136 - 146 ) 
       Potassio                                                    4.3     mEq/L            (3.5  - 5.3) 
       Vitamina B12                                               342      pg/ml            ( 200 - 960 ) 
       TSH                                                        5.47  *  ulU/ml           (0.35  - 4.94 ) 
       FT4                                                         9.7     pg/ml            (7  = 15) 
       Urine chimico fisico morfologico 
          u-Colore                                     giallo paglierino 
          u-Peso specifico                                       1.012                      ( 1.010 - 1.027  ) 
          u-pH                                                     5.5                      (5.5  - 6.5) 
          u-Glucosio                                           assente     mg/dl            assente 
          u-Proteine                                           assente     mg/dl            (0  -10 ) 
          u-Emoglobina                                         assente     mg/dl            assente 
          u-Corpi chetonici                                    assente     mg/dl            assente 
          u-Bilirubina                                         assente     mg/dl            assente 
          u-Urobilinogeno                                         0.20     mg/dl            (0-   1.0 ) 
          sedimento                                    non significativo 
                                                                                          Il Laureato: 
                                                                                                     Dott. CRISTINA ROTA 
       Per ogni informazione o chiarimento sugli aspetti medici, puo rivolgersi al suo medico curante 
       Referto firmato elettronicamente secondo le norme vigenti: Legge 15 marzo 1997, n. 59; D.P.R. 10 novembre 1997, n.513; 
       D.P.C.M. 8 febbraio 1999; D.P.R 28 dicembre 2000, n.445; D.L. 23 gennaio 2002, n.10. 
       Certificato rilasciato da: Infocamere S.C.p.A. (http://www.card.infocamere. it) 
       i! Laureato: Dr. CRISTINA ROTA 
       1! documento informatico originale 6 conservato presso Parer - Polo Archivistico della Regione Emilia-Romagna