使用pytesseract提取图像文本返回未知字符，求解决办法

核心问题 #

你的图像文本清晰，但pytesseract返回乱码，根源是默认未启用中文识别，在线工具内置了多语言支持和适配的预处理逻辑，所以能正常识别。

分步解决方案 #

1. 强制指定中文语言参数 #

pytesseract默认仅识别英文，必须添加lang='chi_sim'参数（需提前安装中文语言包）：

import pytesseract as pt
from PIL import Image

# 加载图像
img = Image.open('frame-1ROI_2.png')
# 指定中文简体语言进行识别
extracted_text = pt.image_to_string(img, lang='chi_sim')
print(extracted_text)
print(type(extracted_text))

2. 针对性图像预处理（增强识别率） #

如果指定语言后仍有异常，用灰度+二值化强化文本对比度：

import pytesseract as pt
from PIL import Image, ImageFilter

img = Image.open('frame-1ROI_2.png')
# 转灰度图
img = img.convert('L')
# 二值化：过滤浅灰色背景，保留黑色文本
threshold = 200
img = img.point(lambda x: 0 if x < threshold else 255, '1')
# 轻微锐化提升文本边缘清晰度
img = img.filter(ImageFilter.SHARPEN)

extracted_text = pt.image_to_string(img, lang='chi_sim')
print(extracted_text)

3. 安装中文语言包 #

若运行时提示语言包不存在：

• Windows：下载chi_sim.traineddata放入Tesseract安装目录的tessdata文件夹
• macOS：执行brew install tesseract-lang
• Ubuntu/Debian：执行sudo apt install tesseract-ocr-chi-sim

内容的提问来源于stack exchange，提问作者JAMSHAID