Python Tesseract无法识别此字体
我有一张这样的图片：
我想用Python把它读成一个字符串，我本以为这不会太难。我发现了tesseract，然后又找到了一个可以在Python脚本中使用tesseract的工具。
所以我开始读取图片，效果一直很好，直到我尝试读取这一张。请问我需要为这种特定的字体进行训练吗？有没有人知道这是什么字体？或者有没有更好的OCR引擎可以和Python一起用来完成这个任务？
补充：也许我可以在数字周围做一个矢量，然后把它们重新绘制成更大的尺寸？因为更大的图片似乎能让tesseract OCR读得更好（这也不奇怪，哈哈）。
5 个回答
最近在tesseract OCR讨论组上，这个话题讨论得非常热烈。你需要使用一种只有数字的“语言”。很多人之前都是这样训练这个引擎的。看起来你是在试图破解一个验证码的保护机制……啧啧。
训练模型是很难的，而且在这里其实并不是最需要的。区分字母“O”和数字“0”，还有字母“l”和数字“1”，无论用什么脚本，这都是一件很麻烦的事。如果能限制光学字符识别（OCR）只识别数字，那问题就简单多了，前提是上下文允许这样做。
我对tesseract的兴趣主要是处理大量的数字，这些数字来自旧的政府报告。在这种情况下，字符集大概就是'0123456789'。根据2007年3月21日eric_taj在旧的（sourceforge）tesseract新闻组中的一条评论，你可以修改Templates->IndexFor和Templates->ClassIdFor这两个地方，在classify/intproto.cpp文件中屏蔽掉不允许的字符。我稍微调整了一下这个方法，让它在运行时通过环境变量读取允许的字符集，这样我就可以随时调整允许的字符了。
只需要把引擎训练成可以识别10个数字和一个小数点就可以了。还有，记得在进行文字识别之前，把你的图片转换成灰度图。