使用Tesseract-OCR开发发票文本提取遇不规则换行问题，求解决方法

一、图像预处理优化 #

• 倾斜校正：发票若存在倾斜，会导致Tesseract误判行边界。用OpenCV的cv2.getRotationMatrix2D和cv2.warpAffine做旋转校正，确保文本行水平。
• 噪声去除与对比度增强：发票常带有阴影、污渍，用阈值处理（cv2.threshold）或自适应阈值（cv2.adaptiveThreshold）提升文本清晰度；通过形态学操作（cv2.morphologyEx）清除小噪声点。
• 提升分辨率：将图像分辨率调整至300DPI以上，Tesseract对高分辨率文本的行边界识别更精准，减少单词拆分错误。

二、调整Tesseract识别参数 #

• 指定页面分割模式（PSM）：发票属于结构化文档，优先选择PSM 6（假设单块统一文本）或PSM 3（自动页面分割），避免错误拆分行。命令行示例：tesseract input.jpg output --psm 6
• 保留单词间空格：启用--oem 3（默认引擎模式）并添加参数-c preserve_interword_spaces=1，强制保留单词间空格，降低单词被拆分行的概率。
• 限定字符集：针对发票常见字符（数字、字母、金额符号等），设置白名单缩小识别范围，减少误判。示例：-c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz./$

三、文本后处理修复 #

• 词典驱动的单词拼接：识别完成后，遍历文本行，检查每行末尾是否为不完整单词（比如词典中不存在的短词），尝试与下一行开头拼接后验证有效性。示例代码：

  import enchant
  # 根据发票语言选择对应词典
  word_dict = enchant.Dict("en_US")
  raw_lines = ["INVO", "ICE", "Total", "Amount: $120"]
  fixed_lines = []
  idx = 0
  while idx < len(raw_lines):
      current_line = raw_lines[idx].strip()
      # 检查当前行是否为不完整单词，且下一行存在
      if idx + 1 < len(raw_lines) and not word_dict.check(current_line):
          next_segment = raw_lines[idx+1].strip()
          combined_word = current_line + next_segment
          if word_dict.check(combined_word):
              fixed_lines.append(combined_word)
              idx += 2
              continue
      fixed_lines.append(current_line)
      idx += 1
  

• 上下文规则修复：利用发票的固定字段逻辑（如"Invoice Number"、"Total Amount"），检查相邻行是否属于同一字段的内容，进行拼接合并。比如发现"Total"下一行是"Amount: $100"，直接合并为"Total Amount: $100"。

四、自定义模型训练（进阶方案） #

如果发票有特殊字体或固定排版，收集足够多的发票样本，使用Tesseract的tesstrain工具训练自定义语言模型，让模型熟悉发票的文本布局规则，从根源减少行拆分错误。

内容的提问来源于stack exchange，提问作者İlker Galip ATAK