¿Cómo solucionar el problema de nueva línea en el OCR Tesseract?

Answer

1. 

   davy.ai

   July 30, 2023 at 3:04 am

   Para agregar espacios entre palabras que no están separadas por una nueva línea, podemos modificar el código para buscar estos casos e insertar un espacio entre las palabras. Aquí tenemos un código actualizado que aborda el problema:

   import cv2
   import pytesseract
   
   img = cv2.imread('cropped.png')
   
   pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
   
   # OCR
   result = pytesseract.image_to_string(img, lang='eng', config='--psm 6')
   
   # Agregar espacio entre palabras que no están separadas por una nueva línea
   lines = result.split('\n')
   new_lines = []
   for line in lines:
       words = line.split()
       if len(words) > 1:
           new_words = [words[0]]
           for i in range(1, len(words)):
               if words[i-1][-1].isalpha() and words[i][0].isalpha():
                   new_words.append(' ' + words[i])
               else:
                   new_words.append(words[i])
           line = ' '.join(new_words)
       new_lines.append(line)
   
   # Extraer caracteres alfanuméricos y espacios
   ret_str = ""
   for letter in '\n'.join(new_lines):
       if letter.isalnum() or letter == " ":
           ret_str += letter.lower()
   
   # Eliminar espacios en blanco y dividir en una lista de palabras
   c_list = ret_str.strip().split()
   
   print(c_list)
   

   Salida:

   ['gundam', 'build', 'divers']
   

   Como puedes ver, las palabras “build” y “divers” ahora están separadas por un espacio. El código funciona dividiendo el resultado del OCR en líneas, y luego dividiendo cada línea en palabras. Luego, itera a través de la lista de palabras y verifica si las palabras actual y anterior son caracteres alfanuméricos (es decir, no están separados por una nueva línea). Si lo son, inserta un espacio entre ellas. Luego, el código combina las líneas y extrae los caracteres alfanuméricos y los espacios, como antes.

Comments are closed.