PyTesseract - 将 OCR 限制为一组字符

Question

我在使用 pytesseract 时遇到了麻烦。我知道您可以使用命令行参数将超正方体限制为特定的字符集：

tesseract input.tif output nobatch digits

我发现一些人说他们可以在 python 中使用以下几行限制 tesseract ：

import tesseract
ocr = tesseract.TessBaseAPI();
ocr.Init(".","eng",tesseract.OEM_TESSERACT_ONLY)
ocr.SetVariable("tessedit_char_whitelist", "0123456789")

但是这是为了使用tesseract API，而我正在使用pytesseract....最后我也尝试了：

print(image_to_string(someimage, config='outputbase digits'))

但这不起作用，因为我的输出中仍然收到字母。这很奇怪，因为我正在使用下面的代码并且它正在工作：

print(image_to_string(screen, config='-psm 10'))

PSM 代表 PageSegmentationMode，它允许我将图像文件解析为单个字符。我不明白为什么这有效，而之前的代码片段却不起作用，因为它们都是 tesseract 的命令行参数......

有人可以帮忙吗？我想将这两个选项与自定义单词列表（我在 tesseract 的配置文件夹中创建）一起使用。

Answer 1

终于找到了解决方案，如果它可以帮助任何人......这是来自tesseract帮助页面：

最简单的超立方体调用：

tesseract imagename outputbase

我可以从中推断出正确的语法（事实上，我在堆栈溢出上发现的所有内容几乎都指向了错误的方向，可能是因为超立方体的版本不同）。请记住，我使用的是 tesseract 3.05（GitHub 上提供的 win 安装程序）和 pytesseract（从 pip 安装）。

image_to_string(someimage, config='digits -psm 7')

正如我们在帮助页面上看到的，outputbase 参数首先出现在文件名之后、其他选项之前，这允许使用 PSM 和受限字符集。

tesseract 帮助页面中的所有命令行参数都可以在 config 变量中以这种方式使用！！