如何用OpenCV或Pillow优化小图像以提升Tesseract数据提取效果

针对你提供的表格类图像，可通过以下针对性处理步骤提升Tesseract的文字识别精度：

1. 消除背景阴影干扰 #

这类图像存在明显的背景阴影，直接灰度化无法有效区分文字与背景，可通过背景减法消除阴影：

import cv2
import numpy as np

# 读取图像并转为灰度图
img = cv2.imread("目标图像路径.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 生成背景掩码（通过形态学膨胀获取大面积背景）
kernel = np.ones((25, 25), np.uint8)
background = cv2.morphologyEx(gray, cv2.MORPH_DILATE, kernel)
# 背景减法提取清晰前景文字
no_shadow = cv2.divide(gray, background, scale=255)

2. 去除表格线条干扰 #

表格的横竖线条会干扰Tesseract识别，可通过形态学开操作精准去除细线条：

# 创建水平、垂直结构元素
horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (40, 1))
vertical_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 40))

# 去除水平线条
temp = cv2.erode(no_shadow, horizontal_kernel, iterations=1)
no_horizontal = cv2.dilate(temp, horizontal_kernel, iterations=1)

# 去除垂直线条
temp = cv2.erode(no_horizontal, vertical_kernel, iterations=1)
no_lines = cv2.dilate(temp, vertical_kernel, iterations=1)

3. 自适应阈值二值化 #

使用自适应阈值替代固定阈值，更适配光照不均的图像：

# 自适应高斯阈值二值化，反转黑白让文字为白色
thresh = cv2.adaptiveThreshold(no_lines, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)

4. 去除残留噪点（可选） #

如果图像仍有细碎噪点，用中值滤波清理：

cleaned_img = cv2.medianBlur(thresh, 3)

5. Tesseract识别参数优化 #

除图像预处理外，给Tesseract指定适合表格的识别模式：

import pytesseract

# --psm 6：假设图像为单块统一格式文本；--psm 4：适合列对齐的表格文本
result = pytesseract.image_to_string(cleaned_img, config='--psm 6')
print(result)

内容的提问来源于stack exchange，提问作者ZKS