如何为Python裁剪后的图片设置/获取DPI以优化Tesseract OCR效果？

我用代码打开PDF，把第一页转成图片，再按坐标裁剪出矩形区域，用Tesseract提取每个区域的文本。但发现部分大尺寸图片的OCR识别效果比其他图片差很多。在命令行测试Tesseract时，发现它会自动估算图片分辨率，这直接影响识别结果。我试过调整--dpi参数，有的图片设为1800效果最好，有的设为300效果最佳。我想找到在提取文本前设置或获取图片DPI的方法，之前试过pix.set_dpi()和get_pixmap(dpi=..)，但没任何改善，求相关建议。

附上我的代码：

page = doc.load_page(0)
page_size = page.rect
zoom = 3
mat = fitz.Matrix(zoom, zoom)
pix = page.get_pixmap(matrix=mat)
img_data = pix.samples
img_array = np.frombuffer(img_data, dtype=np.uint8)
img_array = img_array.reshape(pix.height, pix.width, pix.n)
img = cv.cvtColor(img_array, cv.COLOR_RGB2BGR)
                
#...
k=0
result_dict = {}
for i, rect in enumerate(rectangles):
    x1, y1, x2, y2 = rect
    roi = img[y1:y2, x1:x2]
    k+=1
    text = pytesseract.image_to_string(roi, lang="eng+deu")

可行解决方案 #

1. 直接给Tesseract指定DPI参数 #

不需要修改图片本身的DPI元数据，在调用pytesseract.image_to_string()时通过config参数传入--dpi，针对不同图片或ROI动态调整：

# 示例：针对当前ROI指定1800 DPI
text = pytesseract.image_to_string(roi, lang="eng+deu", config="--dpi 1800")

如果不确定最优DPI，可以做简单的批量测试：遍历常用DPI值（300、600、1200、1800），对比识别准确率，自动选择效果最好的参数。

2. 正确设置PyMuPDF生成图片的DPI #

你之前用get_pixmap(dpi=..)没效果，是因为这个参数需要配合matrix正确使用，或者直接用dpi参数替代缩放矩阵。正确的用法是：

# 直接指定DPI生成图片，无需手动计算zoom
pix = page.get_pixmap(dpi=300)  # 或1800，根据需求设置

这样生成的图片会带有正确的DPI元数据，Tesseract会优先读取这个值，不需要额外指定--dpi参数。

3. 给OpenCV图片添加DPI元数据 #

如果必须用OpenCV处理图片，可以通过保存图片时写入DPI信息，再重新读取供Tesseract使用：

# 保存ROI时写入DPI参数
cv.imwrite("temp_roi.png", roi, [cv.IMWRITE_PNG_COMPRESSION, 0, cv.IMWRITE_PNG_RESOLUTION, 1800])
# 从保存的文件读取，Tesseract会识别DPI
text = pytesseract.image_to_string("temp_roi.png", lang="eng+deu")

注意：PNG的分辨率参数单位是像素/英寸，直接传入数值即可。

4. 根据PDF原始尺寸计算最优DPI #

PDF本身是矢量格式，你可以通过原始页面尺寸计算合适的DPI：

# 获取PDF页面的原始尺寸（单位：点，1点=1/72英寸）
page_width = page.rect.width
page_height = page.rect.height
# 计算目标像素对应的DPI：比如要生成宽度为3000像素的图片
target_width_pixels = 3000
dpi = (target_width_pixels / page_width) * 72
# 用计算出的DPI生成图片
pix = page.get_pixmap(dpi=dpi)

这种方式能保证图片的缩放比例匹配原始文档的印刷分辨率，减少Tesseract的估算误差。

内容的提问来源于stack exchange，提问作者cheesesoup