Python使用tesserocr识别文字过程中遇到的一个问题

最近在使用Python识别PNG图像中包含的文字时遇到一个问题。解决过程记录如下。

（Python使用tesserocr的安装过程不再描述。）

在使用tesserocr识别PNG图像中的文字时，如果PNG比较“干净”，背景没有噪音时，过程比较简单，代码如下：

from PIL import Image
import tesserocr

image = Image.open(r'../data/demo01.png')
print(tesserocr.image_to_text(image))

输出结果为：

This is some text, written in Arial, that will be read by
Tesseract. Here are some symbols: !@#$%"&’()

效果还算可以。

但是如果PNG图片背景有些复杂，在识别之前需要对PNG做一些处理，比如针对下面这幅PNG图片：



这里使用的是简单的阈值过滤，即小于阈值的像素值均设置为黑色（0），大于阈值的像素值设置为白色（255）；然后再对处理后的图像进行处理。代码如下：

from PIL import Image
import tesserocr

def clear_file(file_path, new_file_path):
    image = Image.open(file_path)
    # 为图像设置一个阈值过滤器并保存
    image = image.point(lambda x: 0 if x < 143 else 255)
    image.save(new_file_path)

    return image

image = clear_file(r'..\data\demo02.png', r'..\data\demo02_cleaned.png')
print(tesserocr.image_to_text(image))

本以为会顺利输出结果，但是执行结果却是报了一堆错误：

……
  File "E:\PrivatedData\programs\python\wasp\env\lib\site-packages\PIL\Image.py", line 2212, in save
    save_handler(self, fp, filename)
  File "lib\site-packages\PIL\JpegImagePlugin.py", line 632, in _save
    raise OSError(f"cannot write mode {im.mode} as JPEG") from e
OSError: cannot write mode RGBA as JPEG

错误非常奇怪，明明是PNG图像，怎么说要处理JPEG图像呢？

通过跟踪，发现在选择图像文件的处理方法时，有如下代码（在Image.py的save函数中）：

        if save_all:
            save_handler = SAVE_ALL[format.upper()]
        else:
            save_handler = SAVE[format.upper()]

代码的主要意图是要根据format的值来选择图片的处理函数，而此时format的值为‘JPEG’，因此Pillow就用JPEG的处理函数来处理PNG图像了，所以会出错。

很奇怪，不是根据扩展名来识别图像格式吗。我从头到尾就没有使用到JPEG图像。我不知道Pillow的Image类在什么时候、用什么方式确定format的值。

想在网上查找tesserocr的API文档，看能不能把这个format传递过去，但是没有找到。

于是尝试自己设置图像的format，看能否通过。于是有了下面的代码：

image = clear_file(r'..\data\demo02.png', r'..\data\demo02_cleaned.png')
image.format = 'PNG'
print(tesserocr.image_to_text(image))

输出结果为：

This Is some text, wntten In Arial, that will be "
Tesseract Here are some symbols: l@#$%"&

这里只是一小段练习代码。如果在正式项目中，可以根据图片文件的扩展名来给image.format赋值。当然能不使用“硬”代码更好，但我一直没有找到相关的文档，不知道问题的根本原因是什么。先把这个记录下来，其他继续研究吧。