如何提升pytesseract对含斜线数字串的识别准确率？

一、图像预处理优化 #

• 二值化处理：相比灰度图，二值化能彻底区分字符与背景，推荐用OpenCV的cv2.threshold()函数，可尝试OTSU自动阈值（cv2.THRESH_OTSU），让字符边缘更清晰，减少识别干扰。
• 降噪处理：若图像存在噪点，使用cv2.medianBlur()或cv2.GaussianBlur()进行平滑处理，避免噪点被误识别为有效字符。
• 形态学操作：根据图像情况选择膨胀（cv2.dilate()）或腐蚀（cv2.erode()），膨胀可让模糊的字符边缘更锐利，腐蚀能去除字符周围的细小斑点。
• 分辨率调整：如果原图像分辨率偏低，用cv2.resize()放大图像，提升字符的像素密度，Tesseract对高分辨率的清晰字符识别准确率更高。

二、Tesseract配置参数优化 #

• 调整PSM模式：除了--psm 8，可尝试--psm 7（将图像视为单行文本），该模式对带分隔符的字符序列识别更灵活；也可尝试--psm 10（仅识别单个字符），之后根据字符位置手动拼接结果。
• 启用反转识别：若目标字符为浅色、背景为深色，添加参数-c tessedit_do_invert=1反转图像，让字符变为深色，匹配Tesseract默认的识别逻辑。
• 训练自定义字库：通用eng模型对特定格式字符的识别可能存在偏差，可使用Tesseract训练工具，针对数字+/的组合训练专属字库，大幅提升目标字符的识别精度。

三、后处理规则修正 #

• 格式匹配修正：已知目标格式为数字/数字/数字，可编写正则规则对识别结果进行修正。例如识别出4/13时，可根据数字数量拆分补全为4/1/3；识别出4/113时，可按预期格式拆分连续数字。
• 置信度筛选修正：使用pytesseract.image_to_data()获取每个字符的置信度，对置信度低于阈值的字符，截取对应图像局部重新识别，或手动修正低置信度位置。

内容的提问来源于stack exchange，提问作者Moritz Groß