我正在嘗試編寫一個函數(shù)，該函數(shù)將獲取房屋平面圖的 jpg 并使用 OCR 提取寫在圖像上某處的平方英尺 import requests from PIL import Image import pytesseract import pandas as pd import numpy as np import cv2 import io def floorplan_ocr(url): """ a row-wise function to use pytesseract to scrape the word data from the floorplan images, requires tesseract to be installed https://github.com/tesseract-ocr/tesseract/wiki""" if pd.isna(url): return np.nan res = '' response = requests.get(url, stream=True) if response.status_code == 200: img = response.raw img = np.asarray(bytearray(img.read()), dtype="uint8") img = cv2.imdecode(img, cv2.CV_8UC1) img = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\ cv2.THRESH_BINARY,11,2) #img = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, 2) res = pytesseract.image_to_string(img,, config='--remove-background') del response del img else: return np.nan #print(res) return res但是，我并沒有取得太大的成功。只有大約四分之一的圖像實際輸出包含平方英尺的文本。例如當(dāng)前 floorplan_ocr(https://i.imgur.com/9qwozIb.jpg)輸出'K\'Fré?é?mmimmuuéé\n2|; apprnxx 135 max\nGArhaPpmxd1m max\n\n \n\n \n\n \n\n \n\n \n\n \n\n \n\nTOTAL APPaux noon AREA 523 so Fr, us. a 50. M )\nav .Wzms him "a! m m... mi unwary mmnmrmm mma y“ mum“;\n‘ wmduw: reams m wuhrmmm mm“ .m nanspmmmmy 3 mm :51\nmm" m mmm m; wan wmumw- mm my and mm mm as m by any\nwfmw PM” rmwm mm m .pwmwm m. mum mud ms nu mum.\n(.5 n: ma undammmw an we Ewen\nM vagw‘m Mewpkeem'（并且需要很長時間才能完成）floorplan_ocr(https://i.imgur.com/sjxMpVp.jpg)輸出' '。我認(rèn)為我面臨的一些問題是：文本可能是灰度的圖像是低 DPI（如果這實際上很重要，或者如果它是總分辨率，似乎有些爭論）文本格式不一致我被困住了，正在努力提高我的成績。我想提取的只是“XXX sq ft”（以及所有可能的寫法）有一個更好的方法嗎？
2 回答
繁花如伊
TA貢獻(xiàn)2012條經(jīng)驗 獲得超12個贊
在裁剪圖像的底部四分之一后，通過應(yīng)用這幾行來調(diào)整第二張圖像的大小和更改對比度/亮度：
img = cv2.imread("download.jpg")
img = cv2.resize(img, (0, 0), fx=2, fy=2)
img = cv2.convertScaleAbs(img, alpha=1.2, beta=-40)
text = pytesseract.image_to_string(img, config='-l eng --oem 1 --psm 3')
我設(shè)法得到了這個結(jié)果：
總約。樓層面積 528 平方英尺。（49.0 平方米）
盡管已盡一切努力確保此處包含的平面圖的準(zhǔn)確性，但門、窗、房間和任何其他項目的尺寸均為近似值，不對任何錯誤、遺漏或錯誤陳述承擔(dān)任何責(zé)任。該計劃僅用于@ustraative 目的，任何潛在購買者都應(yīng)按此使用。所示服務(wù)、系統(tǒng)和設(shè)備未經(jīng)測試，無法保證 a8 的可操作性或效率 Made with Metropix ?2019
我沒有對圖像進行閾值處理，因為您的圖像結(jié)構(gòu)彼此不同，并且由于圖像不僅是文本，因此 OTSU Thresholding 找不到正確的值。
回答所有問題：Tesseract 實際上最適合灰度圖像（白色背景上的黑色文本）。
關(guān)于 DPI/分辨率問題，確實存在一些爭論，但也有一些經(jīng)驗事實：DPI 值并不重要（因為相同 DPI 的文本大小可能會有所不同）。為了使 Tesseract OCR 發(fā)揮最佳效果，您的角色需要（已編輯 :) 30-33 像素（高度），小幾 px 會使 Tesseract 幾乎無用，而更大的字符實際上會降低準(zhǔn)確性，盡管不會顯著。（編輯：找到來源-> https://groups.google.com/forum/#!msg/tesseract-ocr/Wdh_JJwnw94/24JHDYQbBQAJ）
最后，文本格式并沒有真正改變（至少在你的例子中）。所以你這里的主要問題是文本大小，以及你解析整個頁面的事實。如果您想要的文本行始終位于圖像的底部，只需提?。ㄇ衅┠脑紙D像，以便您只向 Tesseract 提供相關(guān)數(shù)據(jù)，這也將使其更快。
編輯：如果您還在尋找一種從您的 ocr'ed 文本中提取平方英尺的方法：
text = "some place holder text 5471 square feet some more text"
# store here all the possible way it can be written
sqft_list = ["sq ft", "square feet", "sqft"]
extracted_value = ""
for sqft in sqft_list:
if sqft in text:
start = text.index(sqft) - 1
end = start + len(sqft) + 1
while text[start - 1] != " ":
start -= 1
extracted_value = text[start:end]
break
print(extracted_value)
5471平方英尺
慕碼人2483693
TA貢獻(xiàn)1860條經(jīng)驗 獲得超9個贊
文本周圍的所有像素化使得 Tesseract 更難做它的事情。我從這里使用了一個簡單的亮度/對比度算法來使這些點消失。我沒有做任何閾值/二值化。但我確實必須縮放圖像才能獲得任何字符識別。
import pytesseract
import numpy as np
import cv2
img = cv2.imread('floor_original.jpg', 0) # read as grayscale
img = cv2.resize(img, (0,0), fx=2, fy=2) # scale image 2X
alpha = 1.2
beta = -20
img = cv2.addWeighted( img, alpha, img, 0, beta)
cv2.imwrite('output.png', img)
res = pytesseract.image_to_string(img,, config='--remove-background')
print(res)
編輯 上面的代碼可能有一些平臺/版本依賴。它在我的 Linux 機器上運行，但不在我的 Windows 機器上。為了讓它在 Windows 上運行，我將最后兩行修改為
res = pytesseract.image_to_string(img,, config='remove-background')
print(res.encode())
tesseract 的輸出（我添加了粗體以強調(diào)平方英尺）：
TT xs？
在
近似總內(nèi)部面積 = 50.7 平方米 / 546 平方英尺
所有尺寸僅為估計值，可能不準(zhǔn)確。 測量計劃可能會發(fā)生變化。渲染圖 matenala，熔巖，apectes
ne 開發(fā)商、管理公司、業(yè)主和其他附屬公司重新獲得所有 ma ther sole discrebon 并且沒有 enor scbioe
jements Araxs 是近似值
處理后的圖像：
添加回答
舉報
0/150
提交
取消