银行收据OCR

Question

我正在研究银行收据的OCR问题，我需要提取诸如日期和帐号之类的详细信息。在处理了输入之后，我使用了Tessaract OCR（在python中使用pyteserract），我获得了hocr输出文件，但是我无法理解怎么了我们是否从HOCR输出文件中提取信息？请注意，收据上的数字和普通表格一样都是用方框填写的。在

我用下面的文字提取。应该我用不同的编码？在

import os
if  os.path.isfile('output.hocr'):
    fp=open('output.hocr','r',encoding='UTF-8')
    text=fp.read()
    fp.close()

在注：附件图像就是一个例子数据。这些图像在pdf文件中可用，我正在以编程方式将其转换为图像。在

Answer 1

您只需提供图像作为输入，而不是处理和创建HOCR输出文件。在

尝试：-

from PIL import Image
import pytesseract

im = Image.open("reciept.jpg")

text = pytesseract.image_to_string(im, lang = 'eng')

print(text)

该程序接收要通过OCR运行的图像的位置，并从中提取文本，将其存储在变量text中，然后将其打印出来。如果需要，也可以将text中的数据存储在单独的文件中。在

p.S.：-与tesseract处理的图像相比，您尝试处理的图像过于复杂。因此，在处理文本之后，您可能会得到不正确的结果。我绝对建议您在使用之前对其进行优化，例如减少使用的字符集，在将图像传递给OCR之前处理图像，对图像进行上采样，dpi超过250等等

Answer 2

我个人会用一些更像tesseract的东西来做OCR，然后可能用opencv和surf来做勾选框。。。在

甚至可以用opencv和surf对每个部分进行边缘检测，并对特定区域进行ocr，从而通过分析特定区域而不是整个文档，使其更加健壮。。在