如何在Tesseract OCR中去除图像内特定高度的文字？

方法一：OpenCV预处理去除指定高度区域 #

直接定位无效文字所在的高度范围，用背景色填充后再进行OCR识别，适合无效文字位置固定的场景：

import cv2
import pytesseract

# 读取图像
img = cv2.imread("target_image.png")
# 转为灰度图（简化处理）
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 自定义要去除的区域高度（根据你的图像调整，比如顶部60像素为无效区）
invalid_height = 60
# 用白色填充无效区域（如果图像背景不是白色，替换为对应背景色的灰度值）
gray_img[:invalid_height, :] = 255

# 保存处理后的图像
cv2.imwrite("cleaned_image.png", gray_img)

# 执行OCR识别
ocr_result = pytesseract.image_to_string("cleaned_image.png", lang="chi_sim")
print(ocr_result)

方法二：裁剪有效区域后用Tesseract识别 #

无需修改原图像，直接裁剪掉包含无效文字的区域，只识别有效部分：

from PIL import Image
import pytesseract

# 打开图像
img = Image.open("target_image.png")
# 定义有效区域坐标：(左, 上, 右, 下)，跳过顶部无效区
# 示例中从y=60像素开始向下识别，可根据实际调整
valid_region = (0, 60, img.width, img.height)
# 裁剪有效区域
cropped_img = img.crop(valid_region)

# 执行OCR识别
ocr_result = pytesseract.image_to_string(cropped_img, lang="chi_sim")
print(ocr_result)

进阶优化：自动定位无效文字行 #

如果无效文字高度不固定但有统一特征，可通过OpenCV轮廓检测自动定位并去除：

import cv2
import numpy as np

img = cv2.imread("target_image.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化处理（突出文字）
_, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)

# 检测文字轮廓
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 遍历轮廓，过滤掉高度符合无效文字的区域
invalid_line_height = 30  # 自定义无效文字的高度阈值
for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    if h <= invalid_line_height:
        # 用白色填充该轮廓区域
        cv2.rectangle(gray, (x, y), (x+w, y+h), (255, 255, 255), -1)

# 保存处理后的图像并识别
cv2.imwrite("auto_cleaned.png", gray)

内容的提问来源于stack exchange，提问作者VigneshKumar Selvaraj