如何提升Tesseract OCR对非英文医疗编码的识别准确率？

一、图像预处理优化 #

针对医疗编码的字符特征，预处理是提升识别率的核心步骤：

• 二值化+降噪：将图像转为纯黑白格式，过滤背景杂色，强化字符边缘。可借助OpenCV实现：

  // 示例：PHP中用OpenCV预处理图像（需安装php-opencv扩展）
  $image = cv\imread($localPath, cv\IMREAD_GRAYSCALE);
  cv\threshold($image, $image, 127, 255, cv\THRESH_BINARY_INV);
  cv\imwrite($processedPath, $image);
  

• 放大目标区域：将医疗编码区域放大2-3倍，提升字符细节清晰度，减少F/I、4/a这类相似字符的误判。
• 裁剪无关区域：只保留包含医疗编码的部分，让Tesseract聚焦目标文本，避免干扰。

二、设置字符白名单 #

医疗编码的字符范围固定（A-Z、0-9、.），限制识别范围可大幅降低错误率：

$output = (new TesseractOCR($localPath))
    ->psm(6)
    ->setLanguage('eng')
    ->setWhitelist('ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789.')
    ->run();

三、训练自定义识别模型 #

针对医疗编码的字体样式，训练专属模型能适配特定场景：

1. 收集足量医疗编码样本图像，覆盖所有常见格式（如Fxx.xx、Zxx.x）。
2. 使用Tesseract训练工具（如tesstrain.sh）制作标注训练集，生成自定义语言包（如medcode.traineddata）。
3. 在代码中加载自定义模型：

$output = (new TesseractOCR($localPath))
    ->psm(6)
    ->setLanguage('eng+medcode')
    ->run();

四、后处理规则校验修正 #

利用医疗编码的固定格式规则，自动修正识别偏差：

$output = strtoupper($output);
// 修正F1a20为F14.20这类格式错误
$output = preg_replace('/F(\d)a(\d{2})/', 'F$14.$2', $output);
// 修正I0.20为F10.20（I开头不属于目标编码范围）
$output = preg_replace('/I(\d{2}\.\d{2})/', 'F1$1', $output);
// 匹配编码格式，补全缺失的小数点
$output = preg_replace('/([A-Z])(\d{2})(\d{2})/', '$1$2.$3', $output);

同时可建立医疗编码字典，将识别结果与字典匹配，自动替换为最接近的正确编码。

内容的提问来源于stack exchange，提问作者snovak_PHP_developer