Tesseract OCR法语字符识别异常及图像优化无效问题求助

针对你遇到的法语重音字符（é、è、ê）和大小写字母I识别错误问题，可通过以下步骤优化：

1. 安装并启用法语语言包 #

Tesseract默认不包含法语训练数据，需手动配置：

• 下载fra.traineddata文件，放入Tesseract安装目录下的tessdata文件夹（例：C:\Program Files\Tesseract-OCR\tessdata）
• 调用image_to_string时指定lang='fra'，强制使用法语模型识别

2. 调整Tesseract识别配置 #

修改自定义参数适配法语文本：

• 保留--oem 3（混合引擎模式），将PSM模式改为--psm 3（自动页面分割，更适配多段落扫描件）
• 添加字符白名单，限定识别范围为法语常用字符，减少误识别：

  custom_config = r'--oem 3 --psm 3 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyzéèêàâôûùç0123456789.,;:!?\'"()[] '
  

3. 优化图像预处理流程 #

• 避免用JPEG保存中间图像：JPEG有损压缩会丢失字符细节，改用PNG格式（或直接跳过本地保存步骤）
• 替换二值化方式：用自适应阈值替代Otsu阈值，更适配光照不均的扫描件：

  work_img = cv2.adaptiveThreshold(filtered_img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)
  

• 简化无效预处理：当前(1,1)内核的膨胀+腐蚀操作作用有限，可根据图像质量调整内核大小或直接移除

4. 简化图像流转流程 #

无需将pdf2image生成的PIL图像存盘再读取，直接转为OpenCV格式，减少质量损失：

img_cv = cv2.cvtColor(np.array(img[page_number]), cv2.COLOR_RGB2BGR)

优化后的完整代码 #

import pytesseract
from tkinter.filedialog import askopenfilename
from pdf2image import convert_from_path
import os
import cv2
import numpy as np

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

filePath = askopenfilename()
img = convert_from_path(filePath, poppler_path=r'C:\poppler-0.68.0_x86\poppler-0.68.0\bin')
path, fileName = os.path.split(filePath)
fileBaseName, fileExtension = os.path.splitext(fileName)

txt = ""
# 法语识别专属配置
custom_config = r'--oem 3 --psm 3 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyzéèêàâôûùç0123456789.,;:!?\'"()[] '

for page_number in range(len(img)):
    # 直接转换PIL图像为OpenCV格式
    img_cv = cv2.cvtColor(np.array(img[page_number]), cv2.COLOR_RGB2BGR)
    gray = cv2.cvtColor(img_cv, cv2.COLOR_BGR2GRAY)
    
    # 去噪+自适应阈值处理
    filtered_img = cv2.bilateralFilter(gray, 5, 75, 75)
    work_img = cv2.adaptiveThreshold(filtered_img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

    # 指定法语识别
    page_txt = pytesseract.image_to_string(work_img, lang='fra', config=custom_config)
    txt += page_txt
    print(f"Page # {page_number} - {page_txt[:50]}...")

# 保存识别结果
with open(f"{os.path.join(path, fileBaseName)}_ocr.txt", "w", encoding="utf-8") as f:
    f.write(txt)

内容的提问来源于stack exchange，提问作者Irianeth