如何在Pytesseract中实现类似OCR Engine5的邮箱点识别效果？

针对你遇到的邮箱中点无法被pytesseract识别的问题，可以通过以下几种方式实现类似ocr.space引擎5的识别效果：

• 启用Tesseract的LSTM引擎
  ocr.space的引擎5基于先进的LSTM（长短期记忆）模型，而pytesseract默认可能未完全启用该引擎。你可以通过--oem参数指定使用LSTM引擎：

  import cv2
  import pytesseract
  
  img = cv2.imread("images/10008.png")
  # --oem 3 表示混合使用传统引擎和LSTM引擎，优先LSTM；--oem 1 则仅使用LSTM引擎
  text = pytesseract.image_to_string(img, config='--psm 6 --oem 3')
  

  注意：需要确保你的Tesseract版本在4.0及以上，LSTM引擎是从Tesseract 4开始引入的。

• 预处理图片优化识别条件
  复杂背景或低对比度是导致点识别失败的常见原因，你可以对图片进行预处理来提升识别率：

  import cv2
  import pytesseract
  
  img = cv2.imread("images/10008.png")
  # 转为灰度图
  gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  # 自适应二值化，处理复杂背景
  thresh_img = cv2.adaptiveThreshold(
      gray_img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2
  )
  # 降噪处理
  denoised_img = cv2.medianBlur(thresh_img, 3)
  # 结合LSTM引擎识别
  text = pytesseract.image_to_string(denoised_img, config='--psm 6 --oem 3')
  

• 识别后正则修正邮箱格式
  如果前两种方法仍有误差，可以通过正则表达式匹配邮箱格式，将识别错误的空格替换为点：

  import cv2
  import pytesseract
  import re
  
  img = cv2.imread("images/10008.png")
  text = pytesseract.image_to_string(img, config='--psm 6 --oem 3')
  # 匹配邮箱中的空格并替换为点
  corrected_text = re.sub(r'(\w+)\s+(\w+)@(\w+\.\w+)', r'\1.\2@\3', text)
  

内容的提问来源于stack exchange，提问作者αԋɱҽԃ αмєяιcαη