使用OpenCV与PyTesseract识别文档数字准确率低的优化咨询

识别率不足75%是否正常？ #

不正常。针对纯数字场景的OCR，经过合理的图像预处理和参数调整后，识别率应该能达到95%以上，甚至接近100%。当前的低识别率主要是因为图像预处理步骤没有有效消除噪声、增强数字特征，导致PyTesseract无法准确识别。

提升识别成功率的方法 #

1. 优化二值化策略 #

固定阈值二值化容易受光照和噪声影响，改用自适应二值化或Otsu自动阈值二值化，能更精准分离数字和背景：

• 自适应高斯二值化代码：

  import cv2
  import numpy as np
  
  img_raw = cv2.imread("temp.jpg")
  img_gray = cv2.cvtColor(img_raw, cv2.COLOR_BGR2GRAY)
  # 自适应阈值二值化，高斯加权计算局部阈值
  img_thresh = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
  

• Otsu自动阈值二值化代码：

  _, img_otsu = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
  

2. 形态学操作消除噪声 #

通过开运算去除数字周围的小噪声，闭运算填充数字内部的空隙，让数字边缘更规整：

# 创建3x3矩形结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 开运算：先腐蚀后膨胀，去除白色小噪声
img_cleaned = cv2.morphologyEx(img_thresh, cv2.MORPH_OPEN, kernel)
# 闭运算：先膨胀后腐蚀，填充数字内部的黑色小空隙
img_cleaned = cv2.morphologyEx(img_cleaned, cv2.MORPH_CLOSE, kernel)

3. 配置PyTesseract专属识别参数 #

针对纯数字场景，限制识别字符范围、调整页面分割模式，减少干扰：

import pytesseract

# 配置参数：oem3使用默认OCR引擎，psm6假设图像为单一文本块，whitelist只允许数字
custom_config = r'--oem 3 --psm 6 -c tessedit_char_whitelist=0123456789'
# 对预处理后的图像进行识别
result = pytesseract.image_to_string(img_cleaned, config=custom_config)

如果数字是分散排列的，可将--psm 6改为--psm 11（允许识别任意位置的文本）。

4. 增强图像对比度 #

通过CLAHE（限制对比度自适应直方图均衡化）增强数字与背景的差异，避免过度增强噪声：

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
img_enhanced = clahe.apply(img_gray)

5. 优化PDF转图像的参数 #

当前600DPI的分辨率足够，可尝试保存为PNG无损格式替代JPG，避免压缩带来的额外噪声：

first_page[0].save(TEMP_FOLDER+'temp.png', 'PNG')

内容的提问来源于stack exchange，提问作者Romain Che