какие настройки pytesseract использовать если предпологается работа с лабораторными…
- User
какие настройки pytesseract использовать если предпологается работа с лабораторными анализами?
- Assistant
Для распознавания текста с лабораторных анализов с помощью
pytesseract, важно правильно настроить параметры, чтобы:- повысить точность OCR,
- распознавать специфические элементы (цифры, латинские буквы, единицы измерения, названия веществ и анализов),
- 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 библиотекиOpenCVилиPIL. 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
pytesseractcustom_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
digitsилиalphanumericwhitelist (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-engи 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
layoutparserилиpdfplumber, если данные из PDF).
Если предоставите пример лабораторного анализа, можно будет порекомендовать конкретные настройки еще точнее.
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.