为何Tesseract可识别其他图片却无法识别指定图片？

问题概述 #

使用Tesseract识别多数图片都正常，但针对指定图片完全无法识别，所用代码如下：

import cv2
import pytesseract
import time
import random
from pynput.keyboard import Controller

keyboard = Controller()  # Create the controller

pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

img = cv2.imread("capture5.png")
#img = cv2.resize(img, (300, 300))
cv2.imshow("capture5", img)
text = pytesseract.image_to_string(img)
print(text)

cv2.waitKey(0)

cv2.destroyAllWindows()

核心原因 #

• 非标准字体不匹配默认训练库：这张图片中的文字大概率是特殊字体（如艺术化字体、像素风格字体、手写体），Tesseract默认训练集基于常规印刷体训练，对这类偏离标准的字体几乎无法识别。
• 缺乏必要的图像预处理：原代码直接读取原图就进行识别，没有做灰度化、二值化、降噪等预处理。若图片存在背景干扰、文字与背景对比度低、边缘模糊等情况，Tesseract无法有效提取文字特征。
• 文字尺寸不在最优区间：图片中的文字可能过小或过大，超出Tesseract默认的识别尺寸范围，原代码注释了尺寸调整操作，可能导致文字尺寸不符合要求。

可行的解决步骤 #

• 添加基础预处理流程：先将图像转为灰度图，再通过二值化提升文字与背景的对比度，示例代码如下：

img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, img = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

• 调整文字尺寸：取消注释 resize 代码，或根据实际情况修改尺寸参数，确保单字符高度处于20-30像素左右（Tesseract的最优识别区间）。
• 训练自定义语言包：如果是长期需要识别这类特殊字体，可收集该字体的样本数据，训练Tesseract自定义语言模型，针对性解决识别问题。

内容的提问来源于stack exchange，提问作者CrawL