tesseract如何限定识别的文字

这是一篇tesseract使用备忘录，其中主要论述限定要识别的文字      

网址：

tesseract项目网址是：http://code.google.com/p/tesseract-ocr/

 

命令行的使用：

tesseract xxx.jpg result.txt -psm 7 digit

解释

tesseract 命令名

xxx.jpg 文件名，jpg,png均可以

result.txt 识别出的文字输出到文件

-psm 7 digit 参数

 

限定要识别的文字

例如要识别身份证号码，通常身份证号码为数字0到9还有大写的X，

加了限定之后，识别的准确率有所提高

例如识别身份证的一部分：

不加限定前，识别成1.3250

加了只能识别数字和X后，识别成:43250

 

具体方法：

打开tesseract安装目录，进入

tessdata/configs/

将digits复制一份，更名为：sfz，表示增长一份识别身份证规则的配置

使用文字编辑工具，打开文件sfz

在tessedit_char_whitelist 后面跟随要识别的字符

例如

tessedit_char_whitelist 0123456789X

保存退出

这个就是白名单，想识别的文字或者符号就写进去

识别的时候，须要在命令里加上sfz配置，例如

tesseract xxx.jpg result -psm 7 sfz

python代码:

import pytesseract
from PIL import Image

image = Image.open("../pic/c.png")
card_no = tess.image_to_string(cardImage,config='-psm 7 sfz')
print(card_no)

 

language的设置

此外，关于image_to_string ,还有langeuage参数设定语言

code = pytesseract.image_to_string(image,lang="chi_sim",config="-psm 6")

语言叠加

还能够叠加语言包，例如你要识别的文字里，可能有中文和英文，能够这样设置：

code = pytesseract.image_to_string(image,lang="chi_sim+eng",config="-psm 6")

查看本地语言包

能够经过tesseract --list-langs查看本地语言包： 

-psm的说明

关于config中 -psm配置项的说明能够经过tesseract --help-psm 查看psm 

在网上找到了0-10项的中文说明(另外几项没找到...)，以下：
0：定向脚本监测（OSD） 
1： 使用OSD自动分页 
2 ：自动分页，可是不使用OSD或OCR（Optical Character Recognition，光学字符识别） 
3 ：全自动分页，可是没有使用OSD（默认） 
4 ：假设可变大小的一个文本列。 
5 ：假设垂直对齐文本的单个统一块。 
6 ：假设一个统一的文本块。 
7 ：将图像视为单个文本行。 
8 ：将图像视为单个词。 
9 ：将图像视为圆中的单个词。 
10 ：将图像视为单个字符。
 

本文部分参考：http://blog.csdn.net/github_33304260/article/details/79155154?from=singlemessage