[OpenCV][Python]實測tesseract OCR縮放到最佳高度可提高辨識率嗎?

在Tesseract的討論論壇中看到一篇文章，有人研究tesseract在文字高度在30~33pixl~內辨識率是最佳的。

本文就將來實作看看，拿出之前實驗用的OCR圖檔來跑跑看。

實驗內容

縮放與不縮放的圖片在tesseract OCR結果比較

圖片縮放流程

1. 先讀取圖片中OCR的高度，取中位數。
2. 按照比例縮放圖片
3. 確認縮放後的圖片中的OCR高度是否在區間內
4. 辨識文字

縮放的程式範例

import os
import pytesseract
import time
import numpy as np
from collections import Counter
import cv2

def obj_area(img):
    num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(img, connectivity=8)
    components = []
    ocr_components = []
    if num_labels < 2: # 若全黑的就跳過
        return None,None
    for i in range(1, num_labels):  # 跳過背景
        x, y, w, h, area = stats[i]
        components.append([x, y, w, h, area])
    components.sort(key=lambda c: c[0])  # 按 x 座標排序
    for state in components:
        _,_,w,h,area = state
        # ocr_components.append(f'{ocr}, 寬:{w}, 高 : {h} 面積:{area}')
        ocr_components.append((w,h,area))
    return ocr_components

def resize_img(img,ocr_h):
    H,W = img.shape[:2]
    target_height = 31
    # 計算目標高度
    target_ratio = target_height / ocr_h
    if target_ratio > ocr_h :
        resize_interpolation = cv2.INTER_CUBIC
    else:
        resize_interpolation = cv2.INTER_AREA
    # 根據計算出的高度進行縮放
    scaled_region = cv2.resize(img, (int(W*target_ratio), int(H*target_ratio)), interpolation = resize_interpolation)
    return scaled_region
    
def main():
    # 圖檔路徑
    img_path = "圖片路徑"
    # tesserac檔案路徑
    pytesseract.pytesseract.tesseract_cmd = r"tesserac檔案路徑"
    config = f'--oem 3 --psm 7'
    # 讀取圖檔
    img = cv2.imread(img_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    labels = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
    # 計算OCR高度
    h_res = obj_area(labels) 
    ocr_h = int(np.median([pos[1] for pos in h_res]))
    print(f'原先ocr_h:{ocr_h}')
    # 縮放圖片
    image_resize = resize_img(labels,ocr_h)
    # 計算縮放後的OCR高度
    resize_h_res = obj_area(image_resize)
    ocr_h_resize = int(np.median([pos[1] for pos in resize_h_res]))
    print(f'縮放後的ocr_h:{ocr_h_resize}')
    ocr_text = pytesseract.image_to_string(image_resize, lang="eng_Best", config=config)
    print(ocr_text)

if __name__ == "__main__":
    main()

結果圖

eng_Best模型

原圖：錯誤率35%

縮放後 : 錯誤率40%

eng_fast模型

原圖：錯誤率10%

縮放後：錯誤率 6%

結論

模型對於某些字體或者是大小會直接影響到辨識率，官方雖然說Best模型辨識率較佳，但在一些使用上的經驗來講，某些狀況則不一定是最佳，如這次實驗fast模型就好很多。

兩個模型在縮放後的結果也不盡相同，但在fast模型是有明顯提高辨識率的。