求助：如何用OpenCV与Pytesseract提取扫描PDF表格中的数字？
2026-8-24
扫描PDF表格数字提取解决方案思路
一、先做好图像预处理
扫描PDF转成图像后，先通过预处理消除干扰，提升后续识别精度：
- 灰度化：将彩色图像转为灰度图，减少冗余信息，执行代码：
cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) - 自适应二值化：用
cv2.adaptiveThreshold()替代固定阈值二值化，解决扫描时的光照不均问题，让数字和背景更清晰分离 - 去噪与锐化：用
cv2.medianBlur()消除扫描斑点，再用cv2.filter2D()做锐化处理，强化数字边缘 - 倾斜校正：通过霍夫变换检测表格的水平线角度，旋转校正图像，保证单元格对齐，避免识别时的错位
二、精准定位并分割单元格
针对表格结构做定向分割，比通用示例更可靠：
- 提取表格轮廓：用
cv2.findContours()识别图像中的轮廓，过滤掉面积过小的非表格轮廓，锁定表格主体区域 - 分离网格线：
- 创建水平、垂直结构元素，分别用形态学开运算提取表格的水平线和垂直线
- 将提取的水平、垂直线合并，得到完整的表格网格掩码
- 分割单元格：根据网格线的坐标，逐个裁剪出独立的单元格图像，确保每个数字只在一个单元格内
三、优化OCR的数字识别效果
针对数字识别做专项配置，避免随机错误：
- 给Pytesseract设置数字专属识别规则：
pytesseract.image_to_string(cell_img, config='--psm 10 --oem 3 -c tessedit_char_whitelist=0123456789.')，其中--psm 10指定识别单个字符模式，whitelist限定只识别数字和小数点，大幅降低误识别概率 - 若Pytesseract效果不佳，可替换为EasyOCR，它对印刷体数字的识别适配性更强
- 对裁剪后的单元格图像做局部放大，提升数字的像素密度，进一步提高识别准确率
四、后处理校验数据
将识别结果按表格行列整理后，做规则校验：
- 对照原始表格的行列数，检查识别结果的结构是否匹配
- 设定数值范围、格式规则（比如是否为整数、小数位数），过滤明显错误的识别值
- 对批量处理的表格，可抽取样本人工核对，调整预处理或OCR参数
内容的提问来源于stack exchange，提问作者Hopa
相关产品推荐
相关产品推荐
