基于Python Tesseract优化扫描单据表格数据提取的技术问询

1. 针对固定格式列优化识别精度 #

强化图像预处理 #

在现有预处理流程基础上，增加二值化处理，强化文字与背景的边界，减少识别干扰：

# 转灰度后添加二值化步骤
image = image.convert('L')
# 自定义阈值（可根据图片清晰度调整，建议160-200区间测试）
threshold = 180
image = image.point(lambda x: 0 if x < threshold else 255, '1')

针对列格式设置字符白名单 #

利用Tesseract的tessedit_char_whitelist参数，约束各列的识别字符范围，避免无关字符干扰：

• 实际数量列（格式##,###）：仅允许数字和逗号
• 允许湿度列（格式##%）：仅允许数字和百分号

如果能定位到表格的列坐标，可截取列区域单独识别，精度会更高：

# 示例：截取实际数量列区域（需根据表格实际坐标调整x1,y1,x2,y2）
qty_region = image.crop((x1, y1, x2, y2))
# 配置数量列专属识别规则
qty_config = r'--psm 7 --oem 3 -c tessedit_char_whitelist=0123456789,'
qty_text = pytesseract.image_to_string(qty_region, config=qty_config)

# 湿度列同理
humidity_region = image.crop((x3, y3, x4, y4))
humidity_config = r'--psm 7 --oem 3 -c tessedit_char_whitelist=0123456789%'
humidity_text = pytesseract.image_to_string(humidity_region, config=humidity_config)

调整PSM模式 #

针对单行/单列文本，使用--psm 7（将图像视为单行文本）替代--psm 6，减少上下文无关内容的干扰。

2. 利用已知集装箱号列表优化识别 #

步骤1：提取疑似集装箱号候选 #

先通过正则匹配，从OCR结果中筛选符合客户集装箱号格式的字符串（示例为4大写字母+7数字，需根据实际格式调整）：

import re
# 自定义集装箱号格式正则
container_pattern = re.compile(r'[A-Z]{4}\d{7}')
for line in lines:
    candidates = container_pattern.findall(line)
    if candidates:
        raw_container = candidates[0]

步骤2：模糊匹配已知列表 #

使用编辑距离算法，在已知列表中找到最相似的匹配，推荐用fuzzywuzzy库实现：

from fuzzywuzzy import process

# 替换为客户实际的集装箱号列表
known_containers = ['ABCU1234567', 'DEFV9876543', ...]

# 匹配相似度最高的结果，设置阈值过滤低匹配度结果
best_match, score = process.extractOne(raw_container, known_containers)
if score >= 80:
    corrected_container = best_match
else:
    # 匹配度过低标记为待人工审核
    corrected_container = f"待审核：{raw_container}"

安装依赖：pip install fuzzywuzzy python-Levenshtein

3. 批量处理数百张图片 #

封装单图处理函数 #

将单张图片的预处理、OCR识别、数据提取逻辑封装为可复用函数：

import pandas as pd
import os

def process_single_image(image_path, known_containers):
    # 图像预处理
    image = Image.open(image_path)
    enhancer = ImageEnhance.Contrast(image)
    image = enhancer.enhance(1.5)
    image = image.filter(ImageFilter.MedianFilter())
    image = image.convert('L')
    threshold = 180
    image = image.point(lambda x: 0 if x < threshold else 255, '1')
    
    # OCR识别
    config = r'--psm 6 --oem 3 preserve_interword_spaces=1'
    extracted_text = pytesseract.image_to_string(image, lang='eng', config=config)
    lines = extracted_text.strip().split('\n')
    
    # 提取并整理数据（需根据表格实际列顺序调整）
    row_data = []
    for line in lines:
        if not line.strip():
            continue
        cols = line.split()
        # 处理集装箱号
        raw_container = cols[0]
        best_match, score = process.extractOne(raw_container, known_containers)
        corrected_container = best_match if score >=80 else f"待审核：{raw_container}"
        # 提取其他列
        row_data.append({
            "集装箱号": corrected_container,
            "实际数量": cols[1],
            "允许湿度": cols[3],
            "来源图片": os.path.basename(image_path)
        })
    return row_data

遍历文件夹批量处理 #

# 设置存放扫描件的文件夹路径
image_folder = "索赔报告扫描件"
# 获取所有图片文件（支持png、jpg、jpeg格式）
image_paths = [
    os.path.join(image_folder, filename) 
    for filename in os.listdir(image_folder) 
    if filename.lower().endswith(('.png', '.jpg', '.jpeg'))
]

# 批量处理所有图片
all_report_data = []
known_containers = ['ABCU1234567', 'DEFV9876543', ...]  # 替换为实际列表
for path in image_paths:
    print(f"正在处理：{path}")
    data = process_single_image(path, known_containers)
    all_report_data.extend(data)

# 将结果导出到Excel
df = pd.DataFrame(all_report_data)
df.to_excel("索赔报告汇总.xlsx", index=False)

内容的提问来源于stack exchange，提问作者Lefteris Kyprianou