如何优化Python调用Tesseract OCR的图片文本提取速度？

针对你单张图片2.5-3秒的耗时问题，可以从预处理、参数调优、并行处理、环境配置四个维度优化，目标将单张耗时压到1秒内，同时高效处理20张截图。

一、图片预处理：减少无效计算 #

Tesseract对干净、高对比度的图片识别速度更快，预处理能大幅降低OCR的分析负担：

• 灰度化：将彩色图转为灰度图，减少3倍的像素数据量

  import cv2
  img = cv2.imread("screenshot.png")
  img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  

• 二值化/阈值处理：增强文字与背景的对比度，消除渐变干扰

  # 固定阈值（适合光照均匀的截图）
  _, img_binary = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
  # 自适应阈值（适合光照不均的截图）
  img_binary = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
  

• 降噪处理：去除截图中的噪点、毛刺，避免Tesseract误识别

  img_clean = cv2.GaussianBlur(img_binary, (3, 3), 0)
  

• 裁剪无关区域：只保留包含文字的区域，直接缩小OCR处理范围（比如截图中的菜单栏、边框可以裁掉）

二、Tesseract参数调优：精准控制识别逻辑 #

通过调整Tesseract的配置参数，跳过不必要的分析步骤：

• 指定目标语言：避免加载无关语言包，比如仅识别英文用lang='eng'

  import pytesseract
  text = pytesseract.image_to_string(img_clean, lang='eng')
  

• 设置页面分割模式（PSM）：截图通常是结构化的文字块，选择合适的PSM减少分析时间：
  • --psm 6：假设图片是单一均匀的文本块（适合大部分截图）
  • --psm 7：假设图片是单行文本

  text = pytesseract.image_to_string(img_clean, lang='eng', config='--psm 6')
  

• 字符白名单/黑名单：限制识别的字符范围，减少Tesseract的候选字符池

  # 仅识别字母和数字
  config = '--psm 6 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789'
  text = pytesseract.image_to_string(img_clean, lang='eng', config=config)
  

• 关闭冗余功能：对于纯结构化文本，关闭字典检查等非必要功能：

  config = '--psm 6 -c load_system_dawg=0 -c load_freq_dawg=0'
  

三、并行处理：批量提速20张截图 #

单张处理速度优化后，用并行处理将总耗时压缩到接近单张耗时：
使用concurrent.futures.ThreadPoolExecutor实现多线程处理（适合IO+CPU混合场景），示例代码：

import os
import cv2
import pytesseract
from concurrent.futures import ThreadPoolExecutor

def process_single_image(img_path):
    # 预处理
    img = cv2.imread(img_path)
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    _, img_binary = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
    # OCR识别
    config = '--psm 6 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789'
    text = pytesseract.image_to_string(img_binary, lang='eng', config=config)
    # 保存为TXT
    txt_filename = os.path.splitext(os.path.basename(img_path))[0] + '.txt'
    txt_path = os.path.join(os.path.dirname(img_path), txt_filename)
    with open(txt_path, 'w', encoding='utf-8') as f:
        f.write(text)

if __name__ == '__main__':
    screenshot_folder = "your_screenshot_directory"
    img_paths = [
        os.path.join(screenshot_folder, filename)
        for filename in os.listdir(screenshot_folder)
        if filename.lower().endswith(('.png', '.jpg', '.jpeg'))
    ]
    # 用4-8个线程并行处理（根据CPU核心数调整）
    with ThreadPoolExecutor(max_workers=4) as executor:
        executor.map(process_single_image, img_paths)

四、环境配置优化：底层提速 #

• 更新Tesseract到最新版：旧版本的LSTM引擎性能较差，下载安装最新稳定版（v5.x以上）
• 确保使用LSTM引擎：默认配置--oem 3会启用LSTM，这是Tesseract最快最准确的引擎
• 预处理硬件加速：如果有NVIDIA GPU，用OpenCV的CUDA模块加速灰度化、阈值等步骤，进一步压缩预处理时间

内容的提问来源于stack exchange，提问作者Fatih İlhan