如何优化代码以准确提取复杂背景下带黑边的白色文字？

一、修正Tesseract配置错误 #

原配置中字符白名单格式存在问题，tessedit_char_whitelist= 'ABCDEFG...'里的空格和单引号会被当作白名单字符的一部分，导致识别逻辑混乱。同时PSM模式选择需贴合文本场景：

• 若为单块连续文本，用--psm 6（假设文本为统一块）
• 若文本分散分布，保留--psm 11但需配合其他预处理优化
• 白名单仅保留需要识别的字符，去掉多余空格

修正后的配置示例：

custom_config = r"--oem 3 --psm 6 -c tessedit_char_whitelist=ABCDEFGHIJKLMNOPQRSTUVWXYZ1234567890"

二、优化预处理逻辑（针对白色带黑边文字） #

白色带黑边的文字核心是保留黑边轮廓、突出文字与背景的差异，原预处理的双边滤波会模糊黑边，高固定阈值会丢失黑边信息，调整如下：

方案一：提取黑边并反转图像（适配Tesseract默认识别习惯） #

def preprocess_finale(im):
    # 转灰度图
    gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
    # 提取黑边区域（白色文字的黑边灰度值低，反选后得到黑边）
    _, black_edges = cv2.threshold(gray, 50, 255, cv2.THRESH_BINARY_INV)
    # 膨胀操作让黑边连贯，避免文字断裂
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2))
    dilated = cv2.dilate(black_edges, kernel, iterations=1)
    # 反转成黑字白底，符合Tesseract默认识别偏好
    final = cv2.bitwise_not(dilated)
    return final

方案二：自适应阈值处理（应对复杂背景） #

针对亮度不均的背景，用自适应阈值替代固定阈值，提升鲁棒性：

def preprocess_finale(im):
    gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
    # 高斯自适应阈值，自动适配局部亮度
    adaptive_thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
    # 中值滤波去除小噪点
    cleaned = cv2.medianBlur(adaptive_thresh, 3)
    return cleaned

三、调整语言与识别参数 #

如果文本仅包含大写字母和数字，无需加载意大利语训练集，改用英语训练集（lang='eng'）可避免无关字符干扰：

img = np.array(Image.open(i))
im = preprocess_finale(img)
text = pytesseract.image_to_string(im, lang='eng', config=custom_config)

四、额外优化建议 #

• 裁剪文本区域：手动或自动截取仅包含文字的区域，减少背景干扰
• 放大低分辨率图像：用cv2.resize(im, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC)提升文字清晰度
• 测试PSM模式：根据文本布局选择--psm 7（单行文本）或--psm 8（单个词），进一步提升准确率

内容的提问来源于stack exchange，提问作者Diana Mele