为什么不能用PIL和pytesseract得到字符串？

Question

这是python3中一个简单的光学字符识别（OCR）程序，我把目标gif文件上传到这里，请下载并保存为/tmp/target.gif。在

try:
    from PIL import Image
except ImportError:
    import Image
import pytesseract
print(pytesseract.image_to_string(Image.open('/tmp/target.gif')))

我把所有的错误信息贴在这里，请修正它，从图像中获取字符。在

^{pr2}$

我用bash中的convert命令转换它。在

convert  "/tmp/target.gif"   "/tmp/target.jpg"

我在这里显示/tmp/target.gif和{}。

然后再次执行上面的python代码。在

try:
    from PIL import Image
except ImportError:
    import Image
import pytesseract
print(pytesseract.image_to_string(Image.open('/tmp/target.jpg')))

用pytesseract.image_to_string(Image.open('/tmp/target.jpg'))我什么也得不到，我得到的是空白字符。在

对于Trenton_M的代码：

>>> img1 = remove_noise_and_smooth(r'/tmp/target.jpg')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "<stdin>", line 3, in remove_noise_and_smooth
AttributeError: 'NoneType' object has no attribute 'astype'
Thalish Sajeed

Thalish Sajeed代码：

忽略由print(pytesseract.image_to_string(Image.open(filename)))引起的错误信息。在

Type "help", "copyright", "credits" or "license" for more information.
>>> from PIL import Image
>>> import pytesseract
>>> import matplotlib.pyplot as plt
>>> import cv2
>>> import numpy as np
>>> 
>>> 
>>> def display_image(filename, length_box=60, width_box=30):
...     if type(filename) == np.ndarray:
...         image = filename
...     else:
...         image = cv2.imread(filename)
...     plt.figure(figsize=(length_box, width_box))
...     plt.imshow(image, cmap="gray")
... 
>>> 
>>> filename = r"/tmp/target.jpg"
>>> display_image(filename)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "<stdin>", line 7, in display_image
  File "/usr/local/lib/python3.5/dist-packages/matplotlib/pyplot.py", line 2699, in imshow
    None else {}), **kwargs)
  File "/usr/local/lib/python3.5/dist-packages/matplotlib/__init__.py", line 1810, in inner
    return func(ax, *args, **kwargs)
  File "/usr/local/lib/python3.5/dist-packages/matplotlib/axes/_axes.py", line 5494, in imshow
    im.set_data(X)
  File "/usr/local/lib/python3.5/dist-packages/matplotlib/image.py", line 634, in set_data
    raise TypeError("Image data cannot be converted to float")
TypeError: Image data cannot be converted to float
>>>

@Thalish Sajeed，为什么我得到9244K而不是{}与你的代码？ 这是我测试过的样本文件。在

提取的字符串。在

@Trenton_M，纠正代码中的一些错误和错误，并删除您的建议plt.show()行。在

>>> import cv2,pytesseract
>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> 
>>> 
>>> def image_smoothening(img):
...     ret1, th1 = cv2.threshold(img, 88, 255, cv2.THRESH_BINARY)
...     ret2, th2 = cv2.threshold(th1, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
...     blur = cv2.GaussianBlur(th2, (5, 5), 0)
...     ret3, th3 = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
...     return th3
... 
>>> 
>>> def remove_noise_and_smooth(file_name):
...     img = cv2.imread(file_name, 0)
...     filtered = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 9, 41)
...     kernel = np.ones((1, 1), np.uint8)
...     opening = cv2.morphologyEx(filtered, cv2.MORPH_OPEN, kernel)
...     closing = cv2.morphologyEx(opening, cv2.MORPH_CLOSE, kernel)
...     img = image_smoothening(img)
...     or_image = cv2.bitwise_or(img, closing)
...     return or_image
... 
>>> 
>>> cv2_thresh_list = [cv2.THRESH_BINARY, cv2.THRESH_TRUNC, cv2.THRESH_TOZERO]
>>> fn = r'/tmp/target.jpg'
>>> img1 = remove_noise_and_smooth(fn)
>>> img2 = cv2.imread(fn, 0)
>>> for i, img in enumerate([img1, img2]):
...     img_type = {0: 'Preprocessed Images\n',
...                 1: '\nUnprocessed Images\n'}
...     print(img_type[i])
...     for item in cv2_thresh_list:
...         print('Thresh: {}'.format(str(item)))
...         _, thresh = cv2.threshold(img, 127, 255, item)
...         plt.imshow(thresh, 'gray')
...         f_name = '{0}.jpg'.format(str(item))
...         plt.savefig(f_name)
...         print('OCR Result: {}\n'.format(pytesseract.image_to_string(f_name)))

。。。 预处理图像

在我的控制台中，所有的输出信息如下：

Thresh: 0
<matplotlib.image.AxesImage object at 0x7fbc2519a6d8>
OCR Result: 10
15
20 

Edfifi
10
2 o 30 40 so
so

Thresh: 2
<matplotlib.image.AxesImage object at 0x7fbc255e7eb8>
OCR Result: 10
15
20
Edfifi
10
2 o 30 40 so
so
Thresh: 3
<matplotlib.image.AxesImage object at 0x7fbc25452fd0>
OCR Result: 10
15
20
Edfifi
10
2 o 30 40 so
so
Unprocessed Images
Thresh: 0
<matplotlib.image.AxesImage object at 0x7fbc25464c88>
OCR Result: 10
15
20
Thresh: 2
<matplotlib.image.AxesImage object at 0x7fbc254520f0>
OCR Result: 10
15
2o
2o
30 40 50
Thresh: 3
<matplotlib.image.AxesImage object at 0x7fbc1e1968d0>
OCR Result: 10
15
20

字符串0244R在哪里？在

Answer 1

首先：确保您已经安装了Tesseract program（不仅仅是python包）

Jupyter Notebook of Solution：只有通过remove_noise_and_smooth的图像才能用OCR成功翻译。

尝试转换时图像.gif生成TypeError: int() argument must be a string, a bytes-like object or a number, not 'tuple'。在

重命名图像.gif到文件段，生成TypeError

打开图像.gif和“另存为”文件段，输出为空，表示无法识别文本。在

from PIL import Image
import pytesseract

# If you don't have tesseract executable in your PATH, include the following:
# your path may be different than mine
pytesseract.pytesseract.tesseract_cmd = "C:/Program Files (x86)/Tesseract-OCR/tesseract.exe"

imgo = Image.open('0244R_clean.jpg')

print(pytesseract.image_to_string(imgo))

• 无法从原始图像中识别出文本，因此可能需要进行后处理才能在OCR之前进行清理
• 我创建了一个干净的图像，pytesseract从中毫无问题地提取文本。图像包含在下面，因此您可以使用自己的代码对其进行测试，以验证其功能。在

添加后期处理

Improve Accuracy of OCR using Image Preprocessing

OpenCV

^{pr2}$

img1将生成以下新图像：

img2将生成这些新图像：

Answer 2

让我们从JPG图像开始，因为pytesseract在处理GIF图像格式时存在问题。reference

filename = "/tmp/target.jpg"
image = cv2.imread(filename)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
ret, threshold = cv2.threshold(gray,55, 255, cv2.THRESH_BINARY)
print(pytesseract.image_to_string(threshold))

让我们试着把这些问题分解一下。在

您的图像噪声太大，使tesseract引擎无法识别字母，我们使用一些简单的图像处理技术，如灰度缩放和阈值分割来去除图像中的一些噪声。在

然后，当我们把它发送到OCR引擎时，我们会看到字母被捕捉得更准确。在

如果你按照这个github link，你可以在我的笔记本上找到我测试这个的地方

编辑- 我已经用一些额外的图像清理技术更新了笔记本。 源图像噪声太大，无法直接在图像上使用tesseract。你需要使用图像清理技术。在

你可以改变阈值参数或换掉高斯模糊的其他技术，直到你得到你想要的结果。在

如果您希望在嘈杂的图像上运行OCR，请查看商业OCR提供商，如google-cloud-vision。他们每月免费提供1000个OCR电话。在