Tesseract识别数字1为t求助：截图邮件提取异常

我尝试从截图中提取邮件地址，使用的代码如下：

image = cv2.imread('image_name.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
thresh = 255 - thresh
text = pytesseract.image_to_string(thresh, config = '--psm 6')

我已经试过灰度化、阈值处理、反转等多种预处理方式，但问题仍未解决：之前数字5被识别为's'、数字1被识别为'i'，用上述代码预处理后5的识别问题解决了，但现在数字1被识别为't'。

另外，我在Anaconda的Jupyter Notebook中运行cv2.imshow()时出现报错：

The function is not implemented. Rebuild the library with Windows, GTK+ 2.x or Cocoa support. If you are on Ubuntu or Debian, install libgtk2.0-dev and pkg-config, then re-run cmake or configure script in function 'cvShowImage'

无法直接查看预处理后的图片，处理后的图片为黑白高对比度效果，文字为白色、背景为黑色。

解决建议 #

1. 针对数字1的识别优化 #

• 限定识别字符范围，添加白名单只保留邮件地址常用字符，减少误判：

  text = pytesseract.image_to_string(thresh, config='--psm 6 -c tessedit_char_whitelist=abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789@.')
  

• 调整--psm参数，因为邮件地址是单行文本，尝试用--psm 7（将图像视为单行）：

  text = pytesseract.image_to_string(thresh, config='--psm 7 -c tessedit_char_whitelist=abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789@.')
  

2. 优化预处理步骤 #

• 添加形态学操作去除小噪点，细化文字边缘：

  import cv2
  import numpy as np
  
  image = cv2.imread('image_name.jpg')
  gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
  thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
  thresh = 255 - thresh
  # 形态学开运算，消除小干扰点
  kernel = np.ones((1,1), np.uint8)
  thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)
  text = pytesseract.image_to_string(thresh, config='--psm 6 -c tessedit_char_whitelist=abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789@.')
  

3. 解决cv2.imshow报错问题 #

• 在Jupyter Notebook中用matplotlib替代显示图片：

  import matplotlib.pyplot as plt
  
  # 显示预处理后的灰度图
  plt.imshow(thresh, cmap='gray')
  plt.axis('off') # 隐藏坐标轴
  plt.show()
  

• 也可以重新安装带GUI支持的OpenCV：conda install -c conda-forge opencv

内容的提问来源于stack exchange，提问作者ajaygarg