Tesseract 在特定情况下不读取零

Question

我正在编写一个小软件，它通过网络摄像头读取另一个设备的终端输出（不，屏幕共享等是不可能的）。

这是我第一次使用tesseract，所以我确实犯了一些菜鸟错误。

我一直在尝试阅读文本并得到了很好的结果，但现在我注意到，在两种特定情况下它总是会丢失零（参见图片），有线的事情是，当它丢失这些零时，它会分配前导字符 + 零到前导字符的宽度。或者更清楚地说：当我在前导字符周围绘制一个框时，它会在前导字符+零周围绘制框，但只读取前导字符。

我尝试过：

• 重新缩放
• 不同的 PSM 设置
• 不同的 OEM 设置
• 放大特定区域
• 设置滤镜阈值并将图像转换为灰度。唯一一次带来明显更好的结果（零）是当我如此积极地设置过滤器以至于所有红色文本都消失了。

大写字母的大小约为30像素，这应该是完美的（根据https://groups.google.com/g/tesseract-ocr/c/Wdh_JJwnw94/m/24JHDYQbBQAJ）

这是负责 OCR 的代码块：

    configString = r'--oem 3 psm 11 -c tessedit_char_whitelist=0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNPRSTUVWXYZ():.$£B '
    boxes = pytesseract.image_to_boxes(img, config=configString)
    print(boxes)

整体图像尺寸为1280 x 720

在第三张图片中，您可以看到“打印（框）”结果的一部分显示（或不显示）丢失的零。我标记了前导字符的 Y 坐标。与其他字符的 Y 坐标比较，您可以看到标记的字符要宽得多（因为它的宽度添加了缺失的零的宽度）。在第二张图片上，您可以看到方框是如何一直绘制到缺失的零的。绿色圆圈中的零大约有 10% 的时间被识别，蓝色圆圈中的零永远不会被识别。

所有其他零从来没有任何问题

感谢您的帮助！

如果我清空周围的所有文本，它甚至会做同样的事情，如图 4 所示。

Answer 1

遵循 Tesseract 文档并专注于预处理。我刚刚做了快速测试，结果如下：

>tesseract TKS1B_inv_gs_dpi_border_bw2.png -
Detected current bit errors: no
Detected current overflows: no
Detected current link changes: @

Overall results:

Transmitted frames: 0 (tx events disabled)
Received frames: 286001

ERROR: Lost events: 5228

ERRCR: 2614 on port DNetl.Dirl.MP1

ERROR: 2614 on port Vietl.Dirl.Mp1
Detected bit errors: no

Detected overflows: no

ERROR: Detected link changes: 10

ERROR: 4 on port DHetl.Dirl.MP1

问题在于红色文本 - 不确定这是否对您感兴趣。如果是，那么首先将红色转换为白色。

下一个问题是 0 未被正确识别 - 但它确实存在，但您用

tessedit_char_whitelist

过滤了结果...也许更积极的模糊可能会有所帮助，或者摆脱 tessedit_char_whitelist 并使用 Replace('@', ' 0')

在“DNet1”或“Dir1”这样的上下文中，1/l 的问题会很困难。也许尝试其他技术，例如锐化，使其更容易区分......