python-3.x - Pytesseract 混淆了零 ('0' )和大写 O ('O' )

Question

我正在使用基于 Python 的 OCR (Pytesseract) 来读取图像作为 PDF 的一部分，以从中提取某些 ISIN 值。在某些情况下，OCR 算法将零 (0) 读作字母“O”。
我得到的输出是:

IEOOBQZJ1775 mULeyN USD Unhedged Accumulation

预期的输出是:

IE00BQZJ1775 mULeyN USD Unhedged Accumulation

负责此的代码块是:

import pytesseract 
from PIL import Image
import cv2

img = Image.open('out.jpg')
new_image = cv2.bitwise_not(img)
new_image = cv2.resize(new_image, (0,0), fx=1.5, fy=1.5)


target = pytesseract.image_to_string(new_image, lang='eng', config='--psm 7 --oem 3')

我尝试了不同的 --oem 和不同的 --psm，但问题仍然存在。任何见解都将非常有帮助。通过 Opencv 进行图像预处理的任何可能有助于检测的东西。

Answer 1

对于ISIN，可能你可以利用它的结构来验证它的有效性。根据wikipedia页，ISIN 由

发行国的两个字母字符

九个字母数字字符 NSIN，必要时用前导零填充

使用“Luhn 算法”

计算的一个数字校验位

至少，通过校验位，我们可以判断 OCR 是否成功，并可能更正它。当然，tesseract 可能会弄错某些字符，包括校验位，因此，也许您可​​以获取每个字符的置信度(如果存在，我已经多年没有使用 tesseract)来了解其准确性。
如果要进行图像处理，对于 0 和 O，可以拟合椭圆并检查偏心率，但这取决于字体。