Tesseract - 根本无法识别希腊字母

Question

我正在尝试从图像中自动提取比例（比例尺+数字+单位）。这是一个例子：

\n

\n

它用于将像素映射到现实世界的测量。

\n

我正在使用PyTesseract（通过Anaconda3安装）。

\n

这是我的代码：

\n

import cv2\nimport pytesseract\nimport numpy as np\n\nimg = cv2.imread(\'pbmk_scale.tif\')\n#img = cv2.imread(\'ocr_test_greek_and_english.png\')\ngray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)\nblur = cv2.GaussianBlur(gray, (3,3), 0)\nthresh = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]\n\n# Morph open to remove noise and invert image\nkernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))\nopening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)\ninvert = 255 - opening\n\n# Line detection for the scale line\nedges = cv2.Canny(gray,50,150,apertureSize = 3)\nminLineLength = 100\nmaxLineGap = 10\nlines = cv2.HoughLinesP(edges,1,np.pi/180,100,minLineLength,maxLineGap)\nx1,y1,x2,y2 = lines[0][0]\nprint(\'Line (\' + str(x1) + \',\' + str(y1) + \') -- (\' + str(x2) + \',\' + str(y2) + \')\')\n# Calculating lenght of scale line in pixels. Since the line is always horizontal we need to just subtract the X coordinates\nl = abs(x1 - x2)\nprint(\'Line is \' + str(l) + \'px long\')\n\n# Text recognition for the scale number and real unit\n# FIXME Greek not detected. Is it grc or ell for the configuration? Both don\'t work\ncustom_config = r\'-l grc+eng --psm 1\' # Greek (for mu and nu letters) and English (for m (metre))\ntext = pytesseract.image_to_string(img, config=custom_config)\nprint(\'OUTPUT:\', text.split())\nnumber = [int(s) for s in text.split() if s.isdigit()]\nprint(\'Number is \' + str(number))\n

\n

到目前为止，它工作得相当好，特别是因为图像是通过氦离子显微镜生成的，并且标签（比例尺所在的位置）是自动生成的，并与图像一起存储为 TIFF。因此，检测文本和线条是正确的。此外，比例尺始终位于图像中的同一位置，并且实际比例线始​​终是水平的。上面的代码有其缺陷，但我更感兴趣的是我无法检测到除英语之外的任何内容。

\n

遗憾的是，Anaconda 在其提供的包的描述方面非常加密（特别是如果您查看导航器）。所以我做了一些挖掘C:\\Users\\USER_NAME\\anaconda3\\envs\\MachineLearning\\tessdata（作为MachineLearning我的自定义虚拟环境），我发现了两件事：

\n

\n
• 只有两个.traineddata文件 -eng.traineddata和osd.traineddata
\n
• 它比我在GitHub上托管的 Tesseract 项目的git 存储库eng.traineddata中找到的小得多（几乎是 10 倍）。
\n

\n

我下载了多个经过训练的数据文件（eng、ell和grc）。我仅使用grc和ell （单独加组合）进行了测试，并使用图像中的希腊语和英语进行了测试。例如下图（删除上面代码的线条检测部分后）

\n

\n

产生以下结果：

\n

OUTPUT: [\'Here\xe2\x80\x99s\', \'some\', \'GBeek\', \'Od10\', \'d1ota\', \'iumEedit\', \'Oy\']\n

\n

我尝试了PSM参数的各种值（这当然是有意义的），但没有任何变化。

\n

我是 OCR 和 Tesseract 的新手，所以我可能遗漏了一些非常明显的东西。

\n

Answer 1

尝试使用 png 图像和代码：

from PIL import Image
from pytesseract import *

img_path = r'your image path'
tessdata_dir_config = r'C:\Program Files\Tesseract-OCR\tessdata'
language = 'grc'

def process_image(iamge_name, lang_code, tessdata_dir_config):
    return pytesseract.image_to_string(Image.open(iamge_name), lang=lang_code, config=tessdata_dir_config)

def print_data(data):
    print(data)

def output_file(filename, data):
    file = open(filename, "w+")
    file.write(data)
    file.close()

def main():
    data_gr = process_image(img_path, language, tessdata_dir_config)
    print_data(data_gr)
    #output_file('my_ocr', data_gr)

if  __name__ == '__main__':
    main()