从柱状图提取数据：柱状图名称与数值匹配难题求助

图像预处理优化 #

• 灰度化：将彩色图像转为灰度图，减少色彩干扰，执行代码：cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
• 二值化：通过阈值处理分离文字与背景，可尝试自适应二值化：cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
• 去噪：使用中值模糊或高斯模糊消除噪点：cv2.medianBlur(gray, 3)
• 倾斜校正：若文字存在倾斜，通过霍夫直线检测或轮廓外接矩形校正角度，确保文字水平/垂直

精准定位名称区域 #

• 结合已有的霍夫变换柱状图定位结果，推导名称所在区域（如纵向柱状图名称在柱子下方，横向图在柱子左侧）
• 用轮廓检测提取文字区域：cv2.findContours()，裁剪出仅包含名称的区域后再传入pytesseract，避免无关元素干扰
• 对分散的单个名称，分割为独立小区域分别识别，降低跨区域识别误差

pytesseract参数调优 #

• 指定识别语言：中文名称添加lang='chi_sim'，英文名称用lang='eng'，避免混合识别错误
• 字符白名单：限制识别字符范围，如仅识别中文和数字：pytesseract.image_to_string(cropped_img, lang='chi_sim', config='--psm 6 --oem 3 -c tessedit_char_whitelist="0123456789甲乙丙丁..."')
• 页面分割模式（PSM）：根据排版选择，单行名称用--psm 7（单一行文本），块级名称用--psm 6（假设为单一均匀文本块）

后处理修正 #

• 模糊匹配：若已知名称候选列表，用difflib.SequenceMatcher计算相似度，将识别结果匹配到最接近的候选名称
• 多识别校验：对同一区域多次识别取众数，减少单次识别的随机误差
• 规则过滤：根据名称的固定格式（如长度、前缀）过滤无效识别结果，触发重识别

内容的提问来源于stack exchange，提问作者Turin