使用EasyOCR与Tesseract识别图片日期时间的问题求助

问题说明 #

我需要识别图片中的日期时间，目标结果为2023/05/16 06:40:50，但使用EasyOCR和Tesseract均识别错误：

• EasyOCR识别结果：2023/057716 06:40850
• Tesseract识别结果：2623/05/16 66:46:58

测试代码 #

import pytesseract
import cv2
import easyocr

class Test:
    def __init__(self):
        self.text = ''
        self.reader = easyocr.Reader(['en'], gpu=True)
    def extract_time_easyOCR(self):
            print("Inside easyOCR")
            img = cv2.imread("videos\Cropped_Image.jpg")
            result = self.reader.readtext(img)
            for (bbox, text, prob) in result:
                self.text+=text + ' '
            print("resultfromEasyOCR",self.text)
            return self.text
    def extract_time_Tessaract(self):
            print("Inside Tessaract")
            image = cv2.imread("videos\Cropped_Image.jpg")
            image_RGB = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
            print("resultfromTessaract",pytesseract.image_to_string(image_RGB,config="--psm 6"))


easyOCRTEST = Test()

easyOCRTEST.extract_time_easyOCR()

easyOCRTEST.extract_time_Tessaract()

程序输出 #

Inside easyOCR
resultfromEasyOCR cropped 2023/057716 06:40850
Inside Tessaract
resultfromTessaract 2623/05/16 66:46:58

求助内容 #

请问如何实现正确识别？是否可以通过训练自定义模型解决，或者有其他可行的识别方法？

解决建议 #

1. 图像预处理优化

OCR识别错误大多和图像质量相关，可尝试以下预处理步骤提升准确率：

• 灰度化：将彩色图像转为灰度图，减少色彩干扰：

  gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  

• 二值化：通过阈值处理让文字与背景分离，增强对比度：

  _, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
  

• 去噪处理：使用中值滤波去除图像噪点：

  denoised = cv2.medianBlur(thresh, 3)
  

• 形态学修复：用膨胀操作修复文字边缘的破损：

  kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2,2))
  repaired = cv2.dilate(denoised, kernel, iterations=1)
  

2. OCR工具参数调整

• Tesseract：
  • 调整页面分割模式：如果目标是单行文本，改用--psm 7；如果是单个时间字符串，用--psm 8
  • 添加字符白名单，限制识别范围为数字、/和:：

    pytesseract.image_to_string(image_RGB, config="--psm 7 -c tessedit_char_whitelist=0123456789/:")
    

• EasyOCR：
  • 指定允许识别的字符列表，过滤无关字符：

    result = self.reader.readtext(img, allowlist='0123456789/:')
    

  • 调整置信度阈值，过滤低置信度结果：

    result = self.reader.readtext(img, allowlist='0123456789/:', detail=0, min_size=10)
    

3. 自定义模型训练

如果上述方法无法满足需求，可以针对该场景训练自定义模型：

• Tesseract：使用Tesstrain工具，制作包含目标日期时间样式的数据集，训练自定义语言模型，适配特定字体、排版的文本
• EasyOCR：基于PyTorch框架，用自己收集的日期时间图像数据集微调预训练模型，提升特定场景的识别精度

内容的提问来源于stack exchange，提问作者Sukumar Reddy