使用pytesseract识别希伯来语表格的问题求助（Databricks环境）

背景 #

在Databricks的.ipynb笔记本中，已完成表格检测，聚焦使用pytesseract识别表格内的希伯来语字符，当前核心代码如下：

languages_ = 'heb+eng' # 也尝试过仅使用'heb'

data = pytesseract.image_to_data(image, lang=languages_, output_type='data.frame', config=special_config)

已测试的Tesseract配置 #

测试过以下special_config选项，其中**选项(6)**识别效果最优：

8) --psm 12 --oem 1 --dpi 3000
7) --psm 12 --oem 2           
6) --psm 12 --oem 1           
5) --psm 12 --oem 0           
4) --psm 12                    
3) --psm 6                     
2) --psm 5                     
1) --psm 11                    

现存问题 #

• 无法区分逗号（,）和句号（.）
• 数字识别错误，将2和3混淆识别为3
• 部分含多值的单元格被拆分为多列（仅部分行出现，增加数据整理难度）
• 误将表格边框识别为|字符，生成额外列
• 图片颜色、字体粗细差异会导致识别结果波动

已查阅Tesseract相关希伯来语Issue及资料，未解决问题，数据敏感无法提供原表格，可生成模拟表格辅助调试。

优化建议 #

1. 图片预处理优化 #

针对字符混淆和边框误识别问题，先对图片做标准化处理：

• 二值化+降噪：用OpenCV转灰度图后二值化，过滤噪声减少边框干扰：

  import cv2
  gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
  _, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
  # 去除小噪声点
  kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2,2))
  cleaned_img = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)
  

• 统一视觉风格：将图片转为纯黑白配色，消除颜色、字体粗细差异带来的识别偏差。

2. 调整Tesseract配置 #

• 字符黑白名单：针对标点和数字混淆，指定允许的字符范围，同时排除边框误识别的|：

  --psm 12 --oem 1 -c tessedit_char_whitelist=אבגדהוזחטיכלמנסעפצקרשתץףךםן0123456789., -c tessedit_char_blacklist=|
  

• 单元格级识别：先拆分出单个单元格，对每个单元格单独用--psm 6（假设文本为单一统一块）识别，避免多值单元格被拆分为多列。

3. 后处理修正结果 #

• 数字修正：结合业务逻辑（如数值范围、字段含义），用正则或规则替换混淆的2/3。
• 标点修正：如果表格中逗号/句号有固定使用场景（如句号用于小数、逗号用于分隔），用正则批量修正混淆的标点。
• 清理无效列：在识别后的DataFrame中直接过滤含|的列或单元格内容。

4. 自定义模型训练 #

如果通用模型效果不足，可基于你的表格字体制作训练样本，训练Tesseract自定义希伯来语模型，适配特定场景的字体和格式。

内容的提问来源于stack exchange，提问作者Dolev Mitz