化学结构式图像的预处理与Tesseract OCR识别优化求助

一、预处理优化步骤 #

化学结构式图像的核心干扰是结构式线条，且字符多为零散单/双字符，针对600x800像素的这类图像，可调整预处理流程：

• 自适应阈值替代固定阈值：解决局部明暗不均问题，避免字符因亮度差异丢失
• 针对性线条过滤：用形态学开运算清除结构式的细线条，保留字符轮廓
• 字符轮廓增强：轻微膨胀字符，确保边缘清晰，同时避免过度膨胀导致字符粘连
• 柔和噪声清除：用高斯模糊替代中值模糊，在清除背景噪声的同时不破坏字符细节

二、Tesseract配置调整 #

当前使用的--psm 10仅适配单字符识别，无法处理双字符（如"Na""CO"），需调整配置：

• 混合单/双字符场景用--psm 6（默认文本块识别），让Tesseract自动识别连续字符
• 添加字符白名单，限制识别范围减少错误：-c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789()
• 切换至LSTM模式--oem 1，对印刷体字符的识别精度优于传统模式

三、修改后的代码实现 #

import cv2
import pytesseract
import numpy as np

img_path = "D:\\User\\Intel_AI2\\Project\\Data\\Test\\nahco3.png"
img_cv = cv2.imread(img_path)
gray_img = cv2.cvtColor(img_cv, cv2.COLOR_BGR2GRAY)

# 1. 自适应阈值处理，适配局部明暗差异
inverted = cv2.bitwise_not(gray_img)
adaptive_thresh = cv2.adaptiveThreshold(inverted, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

# 2. 过滤结构式线条干扰
line_kernel = np.ones((1, 3), np.uint8)
filtered = cv2.morphologyEx(adaptive_thresh, cv2.MORPH_OPEN, line_kernel, iterations=1)

# 3. 膨胀增强字符轮廓
char_kernel = np.ones((2, 2), np.uint8)
dilated = cv2.dilate(filtered, char_kernel, iterations=1)

# 4. 高斯模糊清除噪声
blurred = cv2.GaussianBlur(dilated, (3, 3), 0)

# 优化后的Tesseract配置
custom_config = r'--oem 1 --psm 6 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789()'
print(pytesseract.image_to_string(blurred, lang='eng', config=custom_config))

cv2.imshow("Processed", blurred)
cv2.waitKey(0)
cv2.destroyAllWindows()

四、额外建议 #

若Tesseract仍达不到预期，可尝试：

• 针对化学特殊字符（如下标、括号）训练Tesseract自定义字符集
• 替换为EasyOCR，该库对印刷体字符的鲁棒性更强，无需复杂预处理即可输出较好结果

内容的提问来源于stack exchange，提问作者Armanium