如何使用Pytesseract和Python 3从复杂背景照片中提取文本？

嘿，我完全懂你现在的窘境——复杂背景的OCR可比单一底色的验证码难多了，尤其是你作为刚接触Python+CV+Tesseract的新手，试了一堆方法都没效果肯定头大。不过别慌！既然你提到所有字符的字体颜色是统一的，这就是咱们的突破口，接下来我给你一套针对性的解决方案，一步步来搞定域名和电话号码的提取：

因为字符颜色是固定的，咱们可以直接通过颜色过滤把字符从杂乱背景里抠出来，这比通用的灰度二值化靠谱多了。这里推荐用HSV色彩空间（比RGB更抗光照干扰），步骤如下：

import cv2
import numpy as np

# 读取目标图片
img = cv2.imread('your_photo.jpg')
# 转成HSV色彩空间（OpenCV默认是BGR，所以要转）
hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 重点：调整下面的HSV范围，匹配你的字符颜色
# 你可以用取色工具（比如Photoshop、在线取色器）获取字符的HSV值，然后上下浮动范围
lower_char_color = np.array([90, 50, 50])  # 示例：蓝色下限
upper_char_color = np.array([130, 255, 255])  # 示例：蓝色上限

# 生成颜色掩码：只保留符合颜色范围的区域
color_mask = cv2.inRange(hsv_img, lower_char_color, upper_char_color)
# 把掩码和原图结合，只留下字符区域
char_only_img = cv2.bitwise_and(img, img, mask=color_mask)
# 转灰度图，方便后续处理
gray_char = cv2.cvtColor(char_only_img, cv2.COLOR_BGR2GRAY)
# 二值化：让字符变成纯黑/纯白，增强对比度
_, thresh_img = cv2.threshold(gray_char, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

复杂背景下，颜色分割后可能会残留一些小噪点，或者字符有轻微断裂，咱们用开闭运算来修复：

# 创建结构元素：根据字符大小调整，比如3x3的矩形（字符大就用5x5）
kernel = np.ones((3, 3), np.uint8)
# 先腐蚀掉小噪点，再膨胀修复字符断裂（闭运算）
cleaned_img = cv2.morphologyEx(thresh_img, cv2.MORPH_CLOSE, kernel)

如果图片里的文本分散在不同位置，咱们可以用轮廓检测定位所有字符区域，然后合并裁剪成一个小图，让Tesseract聚焦在文本上：

# 查找所有轮廓
contours, _ = cv2.findContours(cleaned_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 过滤掉太小的轮廓（排除非字符的噪点）
min_char_area = 50  # 根据你的字符大小调整，比如小字符设30，大字符设100
text_boxes = []
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area > min_char_area:
        x, y, w, h = cv2.boundingRect(cnt)
        text_boxes.append((x, y, w, h))

# 合并所有文本区域成一个大框
if text_boxes:
    x_min = min([x for x, y, w, h in text_boxes])
    y_min = min([y for x, y, w, h in text_boxes])
    x_max = max([x + w for x, y, w, h in text_boxes])
    y_max = max([y + h for x, y, w, h in text_boxes])
    cropped_text_img = cleaned_img[y_min:y_max, x_min:x_max]
else:
    cropped_text_img = cleaned_img

咱们不需要识别所有文本，只需要域名和电话号码，所以给Tesseract加配置限制识别范围，再用正则表达式精准过滤：

import pytesseract
import re

# 如果你没把Tesseract加到环境变量，就指定路径
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# 自定义配置：只识别字母、数字、点、横杠（刚好匹配域名和电话的字符）
# --oem 3：使用默认OCR引擎；--psm 6：假设图片是单一文本块
custom_config = r'--oem 3 --psm 6 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789.-'
raw_text = pytesseract.image_to_string(cropped_text_img, config=custom_config)

# 用正则提取域名（匹配xxx.com/xxx.net这类格式）
domain_regex = r'\b(?:[a-zA-Z0-9-]+\.)+[a-zA-Z]{2,}\b'
extracted_domains = re.findall(domain_regex, raw_text)

# 用正则提取电话号码（匹配带区号、横杠、空格的常见格式）
phone_regex = r'\b(?:\+?\d{1,3}[-.\s]?)?\(?\d{3}\)?[-.\s]?\d{3}[-.\s]?\d{4}\b'
extracted_phones = re.findall(phone_regex, raw_text)

# 输出结果
print("提取到的域名：", extracted_domains)
print("提取到的电话号码：", extracted_phones)

• HSV范围调整：这是最关键的一步！如果掩码没把所有字符留住，就扩大HSV的上下限；如果背景残留太多，就缩小范围。你可以写个小脚本用滑动条实时调整，比手动试高效多了。
• 字符倾斜矫正：如果文本是倾斜的，先用霍夫变换检测直线角度，把图片旋转回水平，再进行后续处理。
• Tesseract参数调整：如果识别不准，试试换psm参数（比如psm 3是自动分页，psm 4是假设单列文本），或者更新Tesseract的语言包。

慢慢来，先拿一张样本图把预处理参数调对，再逐步扩展到其他图片，肯定能搞定的！

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