如何提升Tesseract OCR识别日文文字的准确率？

针对日文竖排OCR准确率低、细微笔画识别失败的问题，可从图像预处理、Tesseract参数调优、后处理纠错、自定义模型训练四个维度优化，具体如下：

一、图像预处理：强化字符边缘与清晰度 #

细微笔画丢失是核心问题，通过预处理补全笔画、消除噪点能大幅提升识别率：

• 二值化+降噪：先将图像转为灰度图，用高斯模糊消除背景噪点，再通过Otsu自动阈值生成高对比度的黑白图像，让字符边缘更锐利。
• 形态学补全：用膨胀操作补全断裂的细微笔画，解决因图像模糊导致的笔画缺失问题。
• 倾斜校正：即使是竖排文本，微小的倾斜也会影响识别，可通过霍夫变换或轮廓检测校正图像至完全垂直。

示例预处理代码：

import cv2
import numpy as np
from PIL import Image

def preprocess_image(image_array):
    # 转灰度图
    gray = cv2.cvtColor(image_array, cv2.COLOR_RGB2GRAY)
    # 高斯降噪
    blur = cv2.GaussianBlur(gray, (3, 3), 0)
    # Otsu自动二值化（反转背景为黑，字符为白）
    _, thresh = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    # 膨胀操作补全细微笔画
    kernel = np.ones((2, 2), np.uint8)
    processed_img = cv2.dilate(thresh, kernel, iterations=1)
    return Image.fromarray(processed_img)

二、Tesseract参数与模型调优 #

当前的参数设置并非最优适配竖排单行场景，调整如下：

• PSM模式调整：你使用的psm 12是稀疏文本模式，适合零散字符；竖排单行文本建议改用psm 6（假设为单一文本块）或psm 5（垂直统一文本块），让Tesseract聚焦于连续的竖排文本。
• OEM引擎选择：oem 1仅用LSTM引擎，可尝试oem 3（传统引擎+LSTM混合模式），部分场景下混合模式对复杂汉字的识别更稳定。
• 更新训练数据：确保安装了最新版的日文竖排训练模型（jpn_vert），Tesseract的训练数据会定期更新，新版本对生僻汉字、手写风格字符的支持更好。
• 自定义词库：针对你场景中的特定词汇（如示例中的「聖杯」），可生成自定义词库，通过--user-words和--user-patterns参数传入，让Tesseract优先匹配目标词汇。

调整后的OCR函数：

def OCR_machine(image_text, def_lang="jpn_vert"):
    # 适配竖排单行的参数配置
    custom_config = r'--oem 3 --psm 6'
    text = pytesseract.image_to_string(image_text, config=custom_config, lang=def_lang)
    # 日文无需转小写，直接去除换行符
    result_text = text.replace("\n", "")
    return result_text

三、后处理：日文语义纠错 #

即使OCR输出存在错误，可通过日文语言特性做二次校正：

• 规则化纠错：针对平假名/片假名、形近汉字的常见混淆（如你结果中的「潜軍」应为「浅間」），整理混淆映射表，做规则替换。
• NLP语义校正：使用日文NLP工具（如Janome、MeCab）或预训练语言模型（如日文BERT），结合上下文语义修正错误词汇，比如根据「聖杯」「どうして」等语境，判断「半問滞」应为正确词汇。

四、自定义模型训练（进阶） #

如果通用模型无法满足需求，可使用Tesseract的tesstrain工具，用你场景中的竖排文本图片（标注好正确文本）微调LSTM模型，生成专属的识别模型，大幅提升特定场景的准确率。

内容的提问来源于stack exchange，提问作者Xander