使用pytesseract.image_to_string时输出含未知方框字符的问题求助

一、图像预处理（减少空白区域干扰） #

预处理是降低异常字符识别的核心，通过过滤噪声、强化文字对比度，让Tesseract只聚焦有效文字：

• 二值化转换（将ROI转为黑白图，消除灰度噪声）：

  import cv2
  # 读取ROI图像
  roi_img = cv2.imread("your_roi_image.png")
  # 转为灰度图
  gray = cv2.cvtColor(roi_img, cv2.COLOR_BGR2GRAY)
  # 自动阈值二值化（文字黑、背景白，可根据卡牌底色调整THRESH_BINARY/THRESH_BINARY_INV）
  _, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
  

• 若图像有模糊，先加高斯模糊降噪：

  blur = cv2.GaussianBlur(gray, (3,3), 0)
  _, thresh = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
  

二、调整Tesseract识别参数（精准限制识别范围） #

Tesseract 4.x支持tessedit_char_whitelist参数，结合--psm模式可替代黑白名单：

• 针对卡牌编号（数字+大写字母）：

  import pytesseract
  # --psm 8：将图像视为单个词，适合已精准截取的ROI
  number_text = pytesseract.image_to_string(thresh, config='--psm 8 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ')
  

• 针对卡牌名称（字母+空格）：

  name_text = pytesseract.image_to_string(thresh_name, config='--psm 8 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz ')
  

三、识别结果后处理（清理异常字符与换行） #

通过正则表达式过滤非目标字符，彻底清除方框、乱码：

import re
# 清理编号：只保留字母数字，去除首尾空白与换行
clean_number = re.sub(r'[^A-Z0-9]', '', number_text.strip())
# 清理名称：保留字母、空格，去除多余换行
clean_name = re.sub(r'[^A-Za-z ]', '', name_text.strip()).replace('\n', '')

四、CSV写入优化（避免换行与编码异常） #

使用Python标准csv模块写入，避免手动拼接导致的格式问题：

import csv
# newline='' 避免自动添加多余换行，utf-8编码兼容特殊字符
with open('pokemon_cards.csv', 'a', newline='', encoding='utf-8') as f:
    writer = csv.writer(f)
    writer.writerow([clean_name, clean_number])

内容的提问来源于stack exchange，提问作者calanm92