低质量图片使用Pytesseract提取文本结果不符的技术求助

低质量图片直接用Pytesseract识别容易出现误差，核心问题是缺少必要的图像预处理步骤，以及没有针对场景配置Tesseract参数。以下是优化方案：

关键优化步骤 #

• 灰度化：去除色彩干扰，简化图像数据
• 自适应二值化：针对光照不均的低质量图，自动调整阈值生成黑白对比图，突出文本
• 降噪处理：消除图片中的细碎噪点，让文本边缘更清晰
• 针对性配置Tesseract：限制识别字符范围、指定页面分割模式，减少识别偏差

优化后的代码 #

import cv2
import pytesseract

# 配置Tesseract路径
pytesseract.pytesseract.tesseract_cmd = "C:\\Program Files\\Tesseract-OCR\\tesseract.exe"

# 直接使用已裁剪的img_crop，避免二次保存损失质量
img = img_crop
# 1. 转为灰度图
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 2. 自适应二值化，生成黑白对比图
binary_img = cv2.adaptiveThreshold(
    gray_img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2
)
# 3. 形态学降噪，去除小噪点
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2))
cleaned_img = cv2.morphologyEx(binary_img, cv2.MORPH_OPEN, kernel, iterations=1)
# 4. 增强对比度（可选，根据图片实际情况调整）
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
enhanced_img = clahe.apply(cleaned_img)

# 配置Tesseract参数：指定引擎模式、单文本行分割、仅识别大写字母
custom_config = r'--oem 3 --psm 7 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZ'
text = pytesseract.image_to_string(enhanced_img, config=custom_config)

print("识别结果：", text.strip())

参数说明 #

• --oem 3：使用Tesseract默认的OCR引擎组合
• --psm 7：假设输入是单一行文本，适配这类验证码式的图片场景
• tessedit_char_whitelist：限定仅识别大写字母，排除其他字符干扰

内容的提问来源于stack exchange，提问作者NAM VƯƠNG