Java中使用Tesseract识别十六进制矩阵图片时字母C识别错误求助

背景 #

我正在开发Java程序，使用bytedeco的Tesseract移植版本提取特定图片中的文本。这些图片均包含5x5至7x7的矩阵，每个元素为十六进制数。

示例原始图片：

预处理二值化后的PNG图片：

原始图片尺寸395x395，预处理后放大至790x790。使用页面分割模式6（单一均匀文本块）时，识别结果如下：

1C 55 E9 55 E9
E9 18 18 BD 18
55 E9 18 E9 55
E9 18 55 55 BD
E9 10 BD 55 55

当前测试代码 #

private String[] analyseStep(String imagePath) {
    BytePointer outText;

    TessBaseAPI api = new TessBaseAPI();
    if(api.Init(null, "eng") != 0) {
        throw new RuntimeException("Could not initialize Tesseract!");
    }

    System.out.println("Analyzing: " + imagePath);

    PIX image = pixRead(imagePath);
    api.SetImage(image);
    outText = api.GetUTF8Text();

    System.out.println("OCR result:\n" + outText.getString());

    return null;
}

核心问题 #

整体识别效果尚可，但字母“C”的识别存在严重问题：有时正确识别为“C”，有时被识别为“8”或“0”。后续需要自动处理并执行操作，识别错误会导致严重问题，需要实现零错误识别。

已尝试的优化措施 #

• 将图片从.jpg格式转换为.png和.tif格式
• 颜色反转
• 对比度增强
• 腐蚀与膨胀操作
• 将图片尺寸从395x395放大至790x790
• 尝试Tesseract所有页面分割模式（模式6效果最佳）
• 将矩阵拆分为5行分别识别

补充说明（疑似与识别无关） #

每次运行Tesseract后，会出现以下错误信息：

Warning: Parameter not found: enable_new_segsearch
ObjectCache(00007ffcf9d5a4e0)::~ObjectCache(): WARNING! LEAK! object 00000209807427e0 still has count 1 (id D:\[some folders omitted]\src\main\resources\tessdata/eng.traineddatapunc-dawg)
ObjectCache(00007ffcf9d5a4e0)::~ObjectCache(): WARNING! LEAK! object 0000020980742770 still has count 1 (id D:\[some folders omitted]\src\main\resources\tessdata/eng.traineddataword-dawg)
ObjectCache(00007ffcf9d5a4e0)::~ObjectCache(): WARNING! LEAK! object 0000020980742a80 still has count 1 (id D:\[some folders omitted]\src\main\resources\tessdata/eng.traineddatanumber-dawg)
ObjectCache(00007ffcf9d5a4e0)::~ObjectCache(): WARNING! LEAK! object 0000020980742380 still has count 1 (id D:\[some folders omitted]\src\main\resources\tessdata/eng.traineddatabigram-dawg)
ObjectCache(00007ffcf9d5a4e0)::~ObjectCache(): WARNING! LEAK! object 0000020980742850 still has count 1 (id D:\[some folders omitted]\src\main\resources\tessdata/eng.traineddatafreq-dawg)

Maven依赖配置：

<dependency>
    <groupId>org.bytedeco</groupId>
    <artifactId>tesseract-platform</artifactId>
    <version>5.3.1-1.5.9</version>
</dependency>

手动下载的tessdata目录内容：

优化建议 #

1. 限定识别字符集
   明确告诉Tesseract只识别十六进制相关字符，过滤无关干扰。在初始化API后添加：

   api.SetVariable("tessedit_char_whitelist", "0123456789ABCDEF ");
   

   注意保留空格，适配矩阵元素间的分隔。

2. 禁用语言模型约束
   十六进制不是自然语言，无需加载字典类模型，减少错误判断：

   api.SetVariable("load_system_dawg", "false");
   api.SetVariable("load_freq_dawg", "false");
   

3. 精细化预处理

   • 尝试Otsu自适应阈值化替代简单二值化，确保字符轮廓清晰无断裂；
   • 用中值滤波去除图片噪声：pixMedianFilter(image, 3)；
   • 单独裁剪每个矩阵元素并归一化到统一尺寸（如64x64像素），消除位置和大小差异带来的识别误差。

4. 使用针对性训练数据
   放弃通用的eng模型，改用digit模型配合字符白名单，或训练专门的十六进制字符小模型，能大幅提升识别准确率。

5. 修复资源泄漏
   虽然警告不直接影响识别，但正确释放资源避免潜在问题，在代码末尾添加：

   outText.deallocate();
   api.Clear();
   api.End();
   pixDestroy(image);
   

内容的提问来源于stack exchange，提问作者The Doctor