Tesseract OCR数字模式下无法识别“11”的技术问询

问题背景 #

我正在构建一个C#应用程序，使用Tesseract OCR从清晰的二进制风格图像中读取1-13的单个数字。除数字11外，所有数字均能完美识别，而11始终被误读或无结果返回。

现象描述 #

• 输入图像:
  
• 预处理后图像:
  

其余所有数字（1-10、12、13）均识别正确。

代码片段 #

1. 预处理代码 #

private Mat PreprocessForOCR(Mat image, PreprocessingParameters parameters)
{
    // 1. Resize to fixed height (32 px), maintain aspect ratio
    var processed = image.Clone();
    int targetSize = 32;
    double scale = (double)targetSize / processed.Height;
    Size newSize = new Size((int)(processed.Width * scale), targetSize);
    CvInvoke.Resize(processed, processed, newSize, 0, 0, Inter.Cubic);

    // 2. Grayscale
    if (processed.NumberOfChannels > 1)
        CvInvoke.CvtColor(processed, processed, ColorConversion.Bgr2Gray);

    // 3. Light Gaussian blur
    CvInvoke.GaussianBlur(processed, processed, new Size(3,3), 0);

    // 4. Otsu’s thresholding → binary
    Mat binary = new Mat();
    CvInvoke.Threshold(processed, binary, 0, 255, ThresholdType.Binary | ThresholdType.Otsu);

    // 5. Ensure dark-on-light
    double sumPx    = CvInvoke.Sum(binary).V0;
    double totalPx  = 255.0 * binary.Width * binary.Height;
    if (sumPx / totalPx < 0.5)
        CvInvoke.BitwiseNot(binary, binary);

    // 6. Morphological closing + optional dilation
    using var elem = CvInvoke.GetStructuringElement(
        ElementShape.Rectangle,
        new Size(parameters.MorphKernelSize, parameters.MorphKernelSize),
        new Point(-1, -1)
    );
    CvInvoke.MorphologyEx(binary, binary, MorphOp.Close, elem, new Point(-1,-1), 1, BorderType.Default, new MCvScalar());
    if (parameters.DilateIterations > 0)
        CvInvoke.MorphologyEx(binary, binary, MorphOp.Dilate, elem, new Point(-1,-1), 1, BorderType.Default, new MCvScalar());

    return binary;
}

2. Tesseract配置代码 #

_tesseract = new TesseractEngine(tessdataPath, "eng", EngineMode.Default);
_tesseract.SetVariable("classify_bln_numeric_mode", "1");
_tesseract.SetVariable("text_is_digit_only",       "1");
_tesseract.SetVariable("tessedit_write_images",     "true");
_tesseract.DefaultPageSegMode = PageSegMode.SingleBlock;

已尝试方案 #

• 调整阈值：调整Otsu阈值与固定阈值参数。
• 形态学操作：尝试1×1-3×3不同内核尺寸及膨胀/腐蚀次数。
• Tesseract变量：尝试启用/禁用classify_bln_numeric_mode，设置tessedit_char_whitelist = "0123456789"。
• 页面分割模式：测试SingleChar、SingleWord、Auto模式。

核心疑问 #

为何在此配置下Tesseract OCR无法识别**“11”**？如何可靠识别11及其他两位数？

• 是否遗漏了更优的Tesseract配置或变量？
• 是否需要针对两位数调整预处理流程？
• OCR前拆分字符是否有帮助？

解决建议 #

1. 优化Tesseract配置 #

• 强制设置字符白名单为"0123456789"，同时添加"classify_min_characters"变量指定最小字符数为2，避免Tesseract忽略多字符组合：

  _tesseract.SetVariable("tessedit_char_whitelist", "0123456789");
  _tesseract.SetVariable("classify_min_characters", "2");
  

• 改用PageSegMode.SingleWord或PageSegMode.SparseText，这两种模式更适合识别连续的数字组合，避免SingleBlock模式下对单字符的过度优先判断。
• 关闭classify_bln_numeric_mode，该模式可能强制Tesseract按单个数字分类，干扰两位数识别。

2. 调整预处理流程 #

• 取消高斯模糊步骤：输入图像已经是清晰的二进制风格，高斯模糊可能让两个“1”的边缘融合，导致Tesseract无法区分。直接跳过模糊，保留字符的锐利边缘。
• 调整形态学操作：针对两位数，使用1×2的矩形结构元素进行闭运算，既可以填充小缺口，又不会让两个“1”粘连。
• 调整缩放逻辑：固定高度为32px时，“11”的宽度会比单个数字宽一倍，Tesseract可能对这种宽高比的字符识别不佳。可以尝试固定宽度为64px（两个单数字宽度），或者保持原比例但确保最小宽度不低于40px，让两个“1”有足够的空间被识别为独立字符。

3. 字符拆分方案（备选） #

如果上述优化仍无效，可以在OCR前手动拆分字符：

• 用OpenCV的FindContours方法定位每个字符的边界框，分割出两个“1”的子图像，再单独识别每个“1”并拼接结果，这种方法对于规则数字字符的识别可靠性很高。

内容的提问来源于stack exchange，提问作者Ali Ihsan Elmas