如何用Python提取图片表格内容生成CSV？识别失败问题排查

需要提取图片中表格的文字与数字，生成与表格结构一致的CSV文件。

import cv2
import os,argparse
import pytesseract
from PIL import Image

pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

ap=argparse.ArgumentParser()
ap.add_argument("-i","--image",
                required=True,
                help="Path to the image folder")
ap.add_argument("-p","--pre_processor",
                default="thresh", 
                help="the preprocessor usage")
args=vars(ap.parse_args())
 
images=cv2.imread(args["image"])
 
#convert to grayscale image
gray=cv2.cvtColor(images, cv2.COLOR_BGR2GRAY)
 
#checking whether thresh or blur
if args["pre_processor"]=="thresh":
    cv2.threshold(gray, 0,255,cv2.THRESH_BINARY| cv2.THRESH_OTSU)[1]
if args["pre_processor"]=="blur":
    cv2.medianBlur(gray, 3)
     

filename = "{}.bmp".format(os.getpid())
cv2.imwrite(filename, gray)
text = pytesseract.image_to_string(Image.open(filename), config='--psm 7')
os.remove(filename)
print(text)
 
#cv2.imshow("Image Input", images)
#cv2.imshow("Output In Grayscale", gray)
cv2.waitKey(0)

• 预处理后的图片：图像仍存在模糊，表格线条和文字边缘不够清晰
• 识别输出：

  : RF
  

是否存在明显的代码错误？是否因图片模糊导致识别困难？

1. 代码中的明显错误 #

• 预处理操作未生效：cv2.threshold和cv2.medianBlur的处理结果没有赋值回gray变量，导致后续保存的还是原始灰度图，预处理完全没起作用。
  修正代码：

  if args["pre_processor"]=="thresh":
      gray = cv2.threshold(gray, 0,255,cv2.THRESH_BINARY| cv2.THRESH_OTSU)[1]
  if args["pre_processor"]=="blur":
      gray = cv2.medianBlur(gray, 3)
  

• PSM参数选择错误：--psm 7的作用是将图像视为单行文本，但目标是表格，该参数会限制Tesseract的识别范围，导致大部分表格内容被忽略。建议更换为更适合的模式，比如--psm 6（将图像视为单一均匀文本块）或--psm 11（自动检测文本区域）。

2. 图片模糊的影响 #

图片模糊确实会严重降低识别准确率，尤其是表格的细线条和小字号文字。可以尝试以下优化预处理步骤：

• 使用自适应阈值替代全局阈值：cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)，能更好应对局部亮度不均的情况
• 加入形态学操作：用cv2.morphologyEx进行膨胀或腐蚀，增强文字和表格线条的清晰度
• 放大图片：对低分辨率图片进行插值放大，比如cv2.resize(gray, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)，提升文字边缘的辨识度

优化后的示例代码 #

import cv2
import os,argparse
import pytesseract
from PIL import Image

pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

ap=argparse.ArgumentParser()
ap.add_argument("-i","--image", required=True, help="Path to the image")
args=vars(ap.parse_args())
 
image = cv2.imread(args["image"])
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 自适应阈值处理
gray = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
# 形态学操作增强线条
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2,2))
gray = cv2.morphologyEx(gray, cv2.MORPH_CLOSE, kernel)

filename = "{}.bmp".format(os.getpid())
cv2.imwrite(filename, gray)
# 使用PSM 6，同时指定字符集提升准确率
text = pytesseract.image_to_string(Image.open(filename), config='--psm 6 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ:/ ')
os.remove(filename)
print(text)

cv2.waitKey(0)

内容的提问来源于stack exchange，提问作者Joey