Skip to content
The Chat Archive
chatgpt-4o-latest-20250326· OpenAI LMArena Human Preference 140K

какие настройки pytesseract использовать если предпологается работа с лабораторными…

  1. User

    какие настройки pytesseract использовать если предпологается работа с лабораторными анализами?

  2. Assistant

    Для распознавания текста с лабораторных анализов с помощью pytesseract, важно правильно настроить параметры, чтобы:

    1. повысить точность OCR,
    2. распознавать специфические элементы (цифры, латинские буквы, единицы измерения, названия веществ и анализов),
    3. учитывать таблицы или колонки, если они есть.

    Вот рекомендации по настройке:


    1. Предварительная обработка изображения (до pytesseract)

    Прежде чем отправлять изображение в pytesseract, его стоит обработать с помощью библиотеки OpenCV или PIL. Например:

    import cv2
    import pytesseract
    
    # Загрузка изображения
    img = cv2.imread('analisys.jpg')
    
    # Преобразование в оттенки серого
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # Бинаризация (можно поэкспериментировать с порогом)
    _, thresh = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    
    # Дополнительно: шумоподавление, увеличение резкости, коррекция поворота
    # (например, с помощью фильтра medianBlur, dilate/erode)
    

    2. Основные настройки pytesseract

    custom_config = r'--oem 3 --psm 6'
    text = pytesseract.image_to_string(thresh, config=custom_config)
    

    Пояснение параметров:

    • --oem 3: Engine mode – использовать и стандартный Tesseract, и нейросетевой OCR (LSTM).
    • --psm 6: Page segmentation mode – предполагается, что текст расположен в обычных блоках, как абзацы (хорошо подходит для колоночных форматов и таблиц).

    Для таблиц можно попробовать и режим 4 или 11:

    --psmОписание
    6Единичный блок текста
    4Одноколоночный текст (хорош для таблиц)
    11Sparse text, без выравнивания (если формат плохой)

    3. Используйте digits или alphanumeric whitelist (если нужно ограничить характер распознаваемых символов)

    custom_config = r'--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz%/.,-()'
    

    Это повысит точность, исключив лишние символы.


    4. Работа с таблицами и форматированным текстом

    Если лабораторный анализ оформлен в виде таблицы, и нужно получить структурированные данные, можно использовать:

    from pytesseract import Output
    
    data = pytesseract.image_to_data(thresh, output_type=Output.DICT)
    

    Это даст:

    {
      "text": [...],
      "left": [...],
      "top": [...],
      "width": [...],
      "height": [...],
      "conf": [...],
      ...
    }
    

    На основе этих данных можно восстановить структуру таблиц.


    5. Язык

    Если в анализах присутствуют слова на русском, добавьте русский язык:

    pytesseract.image_to_string(thresh, config=custom_config, lang='rus+eng')
    

    Важно: убедитесь, что у вас установлены языковые пакеты для Tesseract (tesseract-ocr-rus, tesseract-ocr-eng и т.д.).


    6. Пример итогового кода

    import cv2
    import pytesseract
    
    img = cv2.imread('lab_test.jpg')
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    _, thresh = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    
    custom_config = r'--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz%/.,:-'
    
    text = pytesseract.image_to_string(thresh, config=custom_config, lang='rus+eng')
    print(text)
    

    7. Альтернатива: использовать Tesseract как таблицу (TSV/CSV)

    tsv = pytesseract.image_to_data(thresh, config=custom_config, lang='rus+eng', output_type=pytesseract.Output.DATAFRAME)
    

    Рекомендации

    • Используйте увеличение масштаба изображения (cv2.resize) для слабых сканов.
    • Попробуйте adaptiveThreshold, если яркость неравномерная.
    • Для сложных таблиц – рассмотрите использование OCR + моделирование таблиц (например, с помощью layoutparser или pdfplumber, если данные из PDF).

    Если предоставите пример лабораторного анализа, можно будет порекомендовать конкретные настройки еще точнее.

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.