PyTesseract识别结果不佳，如何优化图像文字提取效果？

一、调整预处理顺序与增强预处理步骤 #

原代码的预处理顺序存在逻辑问题（阈值化后降噪效果会大打折扣），同时可新增膨胀/腐蚀操作强化文字轮廓，修改后的代码如下：

import cv2
import pytesseract
pytesseract.pytesseract.tesseract_cmd = r"C:\tesseract\Tesseract-OCR\tesseract.exe"

def ocr_core(img):
    return pytesseract.image_to_string(img)

def get_grayscale(img):
    return cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

def remove_noise(img):
    # 根据图像噪声程度选择3/5大小的卷积核，小核更适合精细文字
    return cv2.medianBlur(img,3)

def threshold(img):
    return cv2.threshold(img,0,255,cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

# 新增膨胀操作：强化文字边缘，填补文字内部缝隙
def dilate(img):
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2,2))
    return cv2.dilate(img, kernel, iterations=1)

# 新增腐蚀操作：去除膨胀后残留的微小噪点
def erode(img):
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2,2))
    return cv2.erode(img, kernel, iterations=1)

img = cv2.imread(r"/path/to/filename.jpg")
img = get_grayscale(img)
img = remove_noise(img)  # 先降噪再阈值化，避免噪声被阈值固化
img = threshold(img)
img = dilate(img)
img = erode(img)

print(ocr_core(img))

二、优化Tesseract识别参数 #

默认参数适配性差，可通过指定语言、页面分割模式（psm）和引擎模式（oem）提升精准度：

def ocr_core(img):
    # custom_config参数说明：
    # --oem 3：使用混合引擎（LSTM+传统引擎）
    # --psm 6：假设图像为单一均匀文本块，适合多数场景
    # -l chi_sim+eng：同时识别中文+英文，需提前安装对应语言包
    custom_config = r'--oem 3 --psm 6 -l chi_sim+eng'
    return pytesseract.image_to_string(img, config=custom_config)

三、添加图像倾斜校正 #

倾斜的图像会大幅降低识别率，可加入自动校正逻辑：

import numpy as np

def deskew(img):
    # 获取文字像素坐标计算倾斜角度
    coords = np.column_stack(np.where(img > 0))
    angle = cv2.minAreaRect(coords)[-1]
    # 校正角度计算逻辑
    if angle < -45:
        angle = -(90 + angle)
    else:
        angle = -angle
    # 执行旋转校正
    (h, w) = img.shape[:2]
    center = (w // 2, h // 2)
    M = cv2.getRotationMatrix2D(center, angle, 1.0)
    rotated = cv2.warpAffine(img, M, (w, h), flags=cv2.INTER_CUBIC, borderMode=cv2.BORDER_REPLICATE)
    return rotated

# 使用时在预处理流程中添加：
img = deskew(img)

四、其他实用优化建议 #

• 提升图像分辨率：若原图过小，可通过cv2.resize(img, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)放大后再处理
• 裁剪目标区域：手动或自动裁剪出仅包含文字的区域，减少无关背景干扰
• 更新依赖版本：安装最新版Tesseract和PyTesseract，修复旧版本的识别bug

内容的提问来源于stack exchange，提问作者w0nzy