低对比度、背景色多变的pytesseract OCR优化方案咨询

针对网页截图这类背景多变、低对比度的OCR场景，局部自适应对比度增强是最有效的解决方案，以下是可直接落地的处理流程：

核心原理 #

全局曲线调整只能适配单一亮度范围的区域，而局部自适应方法会根据每个像素周围的局部区域统计特征（如均值、高斯加权均值）动态计算阈值，能同时处理亮背景暗文本、暗背景亮文本等多种混合场景。

具体实现方案 #

1. 基础预处理：灰度转换+去噪 #

网页截图通常带有压缩噪点，先转灰度减少颜色干扰，再用高斯模糊平滑噪点，避免后续局部阈值被噪点误导：

from PIL import Image, ImageFilter
import numpy as np
import pytesseract

# 打开图像并转灰度（丢弃Alpha通道，若需保留透明可单独处理）
img = Image.open('ocrtest.png').convert('L')
# 高斯模糊去噪，核半径可根据图像分辨率调整（1-3之间）
img_blur = img.filter(ImageFilter.GaussianBlur(radius=1))

2. 局部自适应阈值二值化（核心步骤） #

这里提供两种实现方式，按需选择：

方式一：纯PIL/Numpy实现（无需额外依赖）

def local_adaptive_threshold(img_np, block_size=15, C=3):
    """
    局部均值阈值二值化
    :param img_np: 灰度图的numpy数组（0-255）
    :param block_size: 局部区域大小（奇数，如15、21）
    :param C: 阈值偏移量（控制对比度强度，3-5之间）
    """
    h, w = img_np.shape
    out = np.zeros_like(img_np)
    half_block = block_size // 2

    for i in range(h):
        for j in range(w):
            # 计算当前像素周围的有效区域（避免越界）
            y_start = max(0, i - half_block)
            y_end = min(h, i + half_block + 1)
            x_start = max(0, j - half_block)
            x_end = min(w, j + half_block + 1)
            # 计算局部区域的均值
            block_mean = np.mean(img_np[y_start:y_end, x_start:x_end])
            # 二值化：若像素比局部均值低C，则设为黑（文本），否则为白（背景）
            # 若文本是亮背景暗文本则保留此逻辑，反之则改为 img_np[i,j] > (block_mean + C)
            out[i,j] = 0 if img_np[i,j] < (block_mean - C) else 255
    return Image.fromarray(out.astype(np.uint8))

# 转换为numpy数组并应用局部阈值
img_np = np.array(img_blur)
binary_img = local_adaptive_threshold(img_np, block_size=15, C=3)

方式二：OpenCV实现（更高效，适合大尺寸图像）

import cv2

# 用OpenCV读取图像并转灰度
img_cv = cv2.imread('ocrtest.png', cv2.IMREAD_GRAYSCALE)
# 高斯模糊去噪
img_blur_cv = cv2.GaussianBlur(img_cv, (3,3), 0)
# 自适应高斯阈值二值化：ADAPTIVE_THRESH_GAUSSIAN_C用高斯加权均值，BINARY_INV适配暗文本亮背景
binary_cv = cv2.adaptiveThreshold(
    img_blur_cv, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 15, 3
)
# 转换为PIL图像供pytesseract使用
binary_img = Image.fromarray(binary_cv)

3. OCR参数优化 #

配合预处理后的图像，调整pytesseract的参数提升识别率：

# --psm 6 适用于网页截图（假设每个文本块为单行/单一文本区域）
ocr_string = pytesseract.image_to_string(binary_img, lang='eng', config='--psm 6')
print(ocr_string)

补充：多色背景的颜色分离优化 #

若网页截图中的文本有固定颜色（如特定蓝色、灰色），可先提取颜色特征再增强对比度：

# 打开原图转RGB
img_rgb = Image.open('ocrtest.png').convert('RGB')
r, g, b = img_rgb.split()

# 假设文本偏蓝色，计算蓝通道与红绿均值的差值，突出文本
diff = np.array(b) - (np.array(r) + np.array(g)) // 2
# 二值化差值图像，阈值根据实际颜色调整
diff_binary = np.where(diff > 10, 0, 255).astype(np.uint8)
diff_img = Image.fromarray(diff_binary)

# 再结合局部阈值处理
final_img = local_adaptive_threshold(np.array(diff_img))

内容的提问来源于stack exchange，提问作者thomasa88