如何处理重叠/叠印标签的OCR文本提取问题？

我用以下代码提取图像文本，普通图像能正常识别，但遇到标签重叠/叠印的情况时，识别效果很差。

def text_extract(image):
    print("text_extract Tessaract OCR\n")
    img_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    print(pytesseract.image_to_string(img_rgb, lang="eng+chi_sim+chi_tra+jpn"))
    text=pytesseract.image_to_string(img_rgb, lang="eng+chi_sim+chi_tra+jpn")
    text_list=text.split('\n')
    print(text_list)
    part_validate=date_validate(text)
    return text,part_validate


filepath=r"pathtofile\image1-0.png"
image=cv2.imread(filepath)
extracted_text=text_extract(img)

（注：原提问附带两张图像，一张为可正常识别的清晰标签图，另一张为文本互相覆盖的重叠标签图）

针对重叠标签的处理方案 #

• 图像预处理优化

  1. 阈值分割与去噪：先将图像转灰度后做自适应二值化，突出文本轮廓，再用形态学开运算消除叠印带来的干扰噪点。示例代码：

     gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
     # 自适应阈值适配不同光照下的叠印文本
     thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
     # 形态学开运算去除小噪点
     kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
     processed_img = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)
     

  2. 颜色分离提取：如果重叠标签是不同颜色，可拆分RGB通道，对每个颜色通道单独做OCR，再合并结果，避免不同颜色文本互相干扰。

• Tesseract参数调整

  1. 调整--psm模式：针对重叠文本，可尝试psm=11（稀疏文本模式，尽可能识别所有文本）或psm=6（假设文本为单一均匀块），强制模型挖掘潜在文本。示例：

     text = pytesseract.image_to_string(processed_img, lang="eng+chi_sim+chi_tra+jpn", config='--psm 11')
     

  2. 设置字符白名单：若已知标签文本的字符范围，添加-c tessedit_char_whitelist=XXX参数，减少无关字符的识别错误。

• 多OCR工具融合
  若Tesseract效果有限，可结合PaddleOCR、EasyOCR等工具，将多个模型的识别结果做对比筛选，取交集或通过规则校验有效文本，提升重叠场景的识别准确率。

内容的提问来源于stack exchange，提问作者Bijay Nayak